Trading Technologies의 자동 거래 도구 제품 관리자인 Andrew Reynolds는 거래 알고리즘의 개발 프로세스를 단순화하기 위한 획기적인 솔루션으로 ADL(Algo Design Lab)을 소개합니다. ADL 이전에는 자체 알고리즘을 만드는 데 관심이 있는 트레이더는 코딩을 배워야 했으며, 이는 시간이 많이 걸리고 개발 주기가 길었습니다. 그러나 ADL은 트레이더가 코드를 한 줄도 작성하지 않고도 알고리즘을 설계하고 배포할 수 있는 직관적인 그래픽 도구를 제공하여 프로세스를 혁신합니다. 이것은 기술 능력 측면에서 진입 장벽을 크게 낮추고 거래자가 시장 기회를 신속하게 활용할 수 있게 합니다. ADL은 설계된 알고리즘을 함께 배치된 고성능 서버에서 실행되는 잘 테스트된 코드로 변환하여 최적의 성능을 보장합니다.
Reynolds는 계속해서 ADL의 주요 특징과 기능을 설명합니다. ADL 캔버스는 다양한 거래 개념과 작업을 나타내는 다양한 블록으로 구성된 작업 공간 역할을 합니다. 트레이더는 이러한 블록을 쉽게 드래그 앤 드롭하여 알고리즘을 생성할 수 있으며 각 블록에는 특정 속성이 있으며 다른 블록과 연결하여 원하는 논리를 정의할 수 있습니다. 그룹 블록을 사용하면 특정 로직을 캡슐화하고 향후 재사용을 위해 라이브러리 블록으로 저장할 수 있습니다. 구성을 강화하기 위해 책갈피를 추가할 수 있으며 블록 및 섹션을 빠르게 탐색할 수 있는 검색 메커니즘을 사용할 수 있습니다. ADL은 예측 기술을 통합하여 잠재적인 블록 연결을 감지하여 개발 프로세스를 더욱 가속화합니다.
프레젠테이션이 계속되는 동안 강사는 ADL을 사용하여 알고리즘을 단계별로 생성하는 방법을 시연합니다. 이 플랫폼은 효율적인 개발을 돕기 위해 실시간 피드백과 사용자 친화적인 기능을 제공합니다. 강사는 알고리즘에 진입측 논리를 추가한 다음 퇴장측 논리를 통합하고 마지막으로 진입측 논리와 퇴장측 논리를 모두 포함하는 알고리즘을 생성하는 방법을 보여줍니다. 주문 블록, 메시지 정보 추출기, 필드 블록 및 경고 블록과 같은 다양한 블록을 사용하여 알고리즘의 원하는 기능을 정의합니다. 데모 전반에 걸쳐 강사는 점프 블록이 제공하는 가독성 및 사용자 정의 옵션을 강조하여 트레이더가 선호도에 따라 알고리즘을 조정할 수 있도록 합니다.
그런 다음 강사는 기존 주문에 알고리즘 논리를 적용하여 필요에 따라 가격, 수량, 중지 가격 및 공개 수량을 조작할 수 있는 유연성을 제공하는 주문 관리 알고(OMA)를 소개합니다. 입찰 드리프터 전략을 구현하는 방법을 설명하고 주문이 채워질 때까지 간격을 두고 점진적으로 가격을 높입니다. 강사는 ADL이 의도하지 않은 동작과 무한 루프를 방지하도록 설계되어 사용자의 안전과 예상되는 동작을 보장한다고 강조합니다. 또한 ADL은 손익 위험 블록 기능을 통합하여 거래자가 사전 정의된 손실 임계값을 설정하고 손실이 지정된 금액을 초과하면 자동으로 알고리즘을 중지할 수 있습니다.
발표자는 ADL을 사용한 알고리즘의 시작 및 모니터링에 대해 논의합니다. Algol 시작은 프런트 엔드 Auto Trader algo 대시보드, 주문서 또는 MD Trader 내의 다양한 위젯에서 시작할 수 있습니다. MD 트레이더 래더에서 직접 클릭 한 번으로 시작하는 기능이 강조 표시되어 트레이더가 손쉽게 상품을 선택하고 알고 매개변수를 수정할 수 있습니다. ADL은 또한 도구를 기반으로 코로케이션 시설을 선택할 수 있는 기능을 제공하며 거래자는 프런트 엔드에서 직접 알고리즘의 진행 상황을 모니터링할 수 있습니다. 또한 플랫폼은 알고리즘을 시작할 때 각 상품에 대해 서로 다른 계정을 지정하여 유연성과 계정 관리 옵션을 향상시킵니다.
발표자들은 ADL 관련 주제를 논의하기 위한 지원 포럼을 포함하여 Trading Technologies 웹 사이트에서 ADL에 대해 자세히 알아볼 수 있는 리소스의 가용성을 강조합니다. 그들은 ADL 내에서 기록 데이터를 추출하고 기본 제공 연구를 수행할 수 있는 분석 블록의 향후 추가에 대해 청중에게 알립니다. 사용자는 알고리즘 내에서 직접 과거 데이터를 사용하여 맞춤형 연구를 구축할 수 있습니다. 발표자들은 Trading Technologies가 브로커 중립적이어서 플랫폼을 지원하는 모든 브로커에 연결할 수 있음을 강조합니다. 가격 세부 정보도 언급되며 스태커 출력 알고리즘 유형이 일반적인 사용 사례로 식별됩니다.
연사는 ADL을 사용하여 알고리즘 작성의 다양성에 대해 탐구하고 각 트레이더가 알고리즘 거래에 고유한 "비밀 소스"를 가져올 수 있음을 강조합니다. 그들은 인기 있는 알고리즘 전략에 대한 추가 정보와 통찰력을 얻기 위한 훌륭한 리소스로 Trading Technologies 커뮤니티 포럼을 추천합니다. 오토트레이더를 사용한 단일 클릭 시작의 이점이 설명되어 트레이더가 여러 거래를 동시에 모델링할 수 있습니다. 또한 모바일 앱에서 ADL 대시보드를 사용할 수 있어 트레이더가 원격으로 알고리즘을 일시 중지하고 다시 시작할 수 있다고 언급합니다.
프레젠테이션은 TradeTT 사이트의 무료 데모 계정을 통해 ADL 플랫폼에 액세스하는 방법에 대한 논의로 진행되어 즉각적인 액세스와 플랫폼의 기능을 탐색할 수 있는 기회를 제공합니다. ADL은 주요 거래소와 공동 위치하여 사용자가 다양한 거래를 실험할 수 있는 gen-pop 서버를 포함하여 다양한 위치에 있는 시설에 위치한 서버 풀을 제공한다는 점이 강조됩니다. 발표자들은 웹 서비스와 API에 대해서도 언급하면서 TT REST API의 출시와 외환 거래를 위한 ADL 플랫폼의 유용성을 언급합니다.
외환 거래 옵션과 관련하여 연사는 외환 거래소와 직접 연결할 즉각적인 계획은 없지만 CME에서 외환 기능을 사용할 수 있으며 NYSE는 현물 외환 계약을 제공한다고 분명히 밝힙니다. 청중이 제품 향상을 추적하고 다루는 포럼에 참여하도록 권장합니다. 결론에는 백 프로그램의 미리 보기와 웨비나 세션을 마치기 전에 참석자에게 설문 조사 양식을 작성하라는 요청이 포함됩니다.
00:00:00 Trading Technologies의 자동 거래 도구 제품 관리자인 Andrew Reynolds는 ADL을 거래자의 개발 프로세스를 단순화하는 알고리즘을 생성하기 위한 대화형 그래픽 도구로 소개합니다. ADL 이전에는 알고를 개발하려는 트레이더가 코드 작성 방법을 배워야 했으며, 이는 시간이 많이 걸리고 개발 주기가 길었습니다. 그러나 ADL은 한 줄의 코드를 작성하지 않고도 거래 알고리즘을 설계하고 배포할 수 있는 직관적인 도구를 사용자에게 제공합니다. 이것은 기술 능력 측면에서 진입 장벽을 낮추고 거래자가 시장에서 기회를 빠르게 포착할 수 있게 합니다. 또한 ADL은 함께 배치된 고성능 서버에서 실행되는 잘 테스트된 코드로 변환되어 최상의 성능을 보장합니다.
00:05:00 알고리즘을 생성하기 위해 끌어올 수 있는 다양한 거래 개념 또는 작업을 나타내는 다양한 블록으로 구성된 ADL 캔버스에 대해 배웁니다. 각 블록에는 해당 기능에 특정한 속성이 있으며 원하는 논리를 나타내기 위해 다른 블록에 연결할 수 있습니다. 그룹 블록은 특정 로직을 캡슐화하고 다른 알고에서 재사용하기 위해 라이브러리 블록으로 저장할 수 있습니다. 섹션을 더 쉽게 찾을 수 있도록 책갈피를 추가할 수 있으며 검색 메커니즘을 사용하여 특정 블록 또는 섹션을 빠르게 찾을 수 있습니다. 또한 EDL은 예측 기술을 사용하여 잠재적인 블록 연결을 감지하여 개발 속도를 높입니다.
00:10:00 알고리즘을 개발하여 오류를 신속하게 식별하고 해결할 수 있습니다. ADL 플랫폼은 또한 가져오는 블록 유형을 자동으로 감지하는 것과 같이 알고리즘 개발에 도움이 되는 예측 분석 기능을 갖추고 있습니다. 알고의 분류, 즉 진입측 논리, 퇴장측 논리 및 두 진입 모두를 포함하는 알고의 분류도 논의되었습니다. 그리고 사이드 로직을 종료합니다. 지정가 주문에 대한 입찰 가격을 추출하기 위해 주문 블록과 필드 블록을 사용하여 엔트리 사이드 로직으로 알고리즘을 생성하는 예가 시연되었습니다. ADL 플랫폼은 알고의 효율적인 개발을 돕기 위해 실시간 피드백과 사용자 친화적인 기능을 제공합니다.
00:15:00 강사가 알고에 종료측 로직을 추가하고 입력측 및 종료측 로직을 모두 포함하는 알고를 생성하는 방법을 보여줍니다. 매도 지정가 주문과 함께 주문 블록이 추가되고 초기 주문의 채우기 출력 포트에 메시지 정보 추출기가 연결됩니다. 이 추출기는 채우기와 같이 이를 통해 공급되는 메시지에 관한 정보를 추출하고 채우기 가격 및 수량을 추출하는 데 도움이 됩니다. 최소 틱 크기를 추출하기 위해 필드 블록도 추가되며, 이는 필 가격에 추가되어 헤지 주문을 필 가격보다 한 틱 크게 설정합니다. 그러면 이 가격이 지정가 매도 주문의 가격이 되어 알고리즘이 완성됩니다. 거래자에게 알고의 진행 상황을 알리고 여러 알고를 구별하는 데 도움이 되는 경고 블록도 추가됩니다.
00:20:00 연사는 Trading Technologies의 ADL®에서 점프 블록을 사용하여 알고리즘의 가독성을 개선하는 방법을 보여줍니다. 진입점 및 퇴장점과 함께 거래자의 선호도에 맞게 맞춤화된 더 많은 변형을 추가하여 기본 스캘핑 알고리즘을 향상시킵니다. 종료 지점의 경우 모든 진입 측 논리를 제거하고 기존 주문 블록을 추가한 다음 단일 주문 컨테이너에 연결합니다. 그런 다음 D 멀티플렉서의 채우기 메시지를 이전 논리의 채우기 메시지에 연결하여 모든 작업 주문에 적용할 수 있는 알고리즘을 생성합니다. 이 알고리즘은 채워지면 자동으로 채우기 가격보다 한 틱 위에 매도 지정가 주문을 배치합니다. 수량.
00:25:00 강사가 기존 주문에 알고리즘 논리를 적용하고 필요에 따라 가격, 수량, 중지 가격 및 공시 수량을 조작할 수 있는 주문 관리 알고(OMA)에 대해 설명합니다. 이는 주문이 채워질 때까지 일정 간격으로 가격을 높이기 위해 논리가 포트에 추가되는 입찰 표류자에게 유용할 수 있습니다. 강사는 또한 필요한 경우 사용자가 논리를 뒤집을 수 있음을 언급하고 ADL이 무한 루프를 방지하기 위한 논리 검사뿐만 아니라 상품 또는 가격을 수량에 연결하는 것과 같은 특정 작업을 금지하는 방법을 설명합니다. ADL은 사용자의 의도를 이해하고 예상치 못한 동작을 방지하는 상황별 언어입니다.
00:30:00 연사는 ADL이 손실이 사전 결정된 금액을 초과하는 경우 알고리즘을 자동으로 중지하는 P&L 위험 차단 기능을 통해 개발자가 P&L 손실로부터 자신을 보호하는 방법에 대해 논의합니다. 이 기능은 사용자 정의되며 실행된 알고의 각 인스턴스에 대해 설정할 수 있습니다. 알고는 프런트 엔드 Auto Trader 알고 대시보드, 주문서 또는 MD Trader 내의 여러 위젯에서 실행할 수 있습니다. 연사는 MD Trader 래더에서 직접 알고를 원클릭으로 시작하여 악기를 선택하고 알고 매개변수를 변경할 수 있음을 강조합니다. ADL을 사용하면 사용자가 기기를 기반으로 코로케이션 시설을 선택하고 프런트 엔드에서 알고의 진행 상황을 모니터링할 수 있습니다. 알고에 따라 다른 계정을 설정할 수도 있습니다.
00:35:00 발표자는 사용자가 ADL을 사용하여 알고리즘을 시작할 때 각 악기에 대해 서로 다른 계정을 지정하는 방법에 대해 논의합니다. 그들은 또한 ADL에 대해 자세히 알아보기 위해 Trading Technologies의 웹 사이트에서 사용할 수 있는 리소스와 ADL에 대한 모든 것을 논의하기 위한 지원 포럼을 언급합니다. 그런 다음 프레젠테이션은 Andrew가 청중의 질문에 답하는 Q&A 세션으로 이동합니다. 제시된 한 가지 질문은 발표자가 이전에 이미 다룬 각 도구에 대한 계정 지정에 관한 것입니다.
00:40:00 연사는 사용자가 기록 데이터를 추출하고 ADL에서 기본 제공 연구를 수행할 수 있는 분석 블록의 향후 추가에 대해 논의합니다. 또한 과거 데이터를 추출하여 알고리즘에 직접 맞춤형 연구를 구축할 수 있습니다. 값 버킷 블록을 사용하여 나중에 조회하려는 항목을 저장하고 원하는 만큼 많은 값을 소싱할 수 있습니다. 화자는 또한 플랫폼이 브로커 중립적이라고 말합니다. 즉, 플랫폼을 지원하는 모든 브로커에 연결할 수 있습니다. 마지막으로 발표자는 가격 정보를 제공하고 스태커 출력이 일반적인 알고리즘 유형이라고 언급합니다.
00:45:00 발표자는 ADL을 사용하여 알고를 작성할 수 있는 다양한 방법에 대해 논의하며 모든 사람이 "비밀 소스" 버전을 가지고 있음을 강조합니다. Trading Technologies 커뮤니티 포럼은 "스태커"와 같은 인기 있는 버그 유형에 대한 추가 정보를 얻을 수 있는 훌륭한 리소스입니다. 간단한 주문 유형을 구축하는 방법에는 여러 가지가 있으며 포럼은 배울 수 있는 좋은 장소입니다. 발표자는 또한 자동 거래자와 함께 단일 클릭 실행을 사용하는 이점과 한 번에 둘 이상의 거래를 쉽게 모델링하는 방법을 설명합니다. 또한 그들은 ADL 대시보드를 전화 앱에서 사용할 수 있으며 거래자가 자리를 비운 동안 알고를 일시 중지하고 다시 시작할 수 있다고 언급합니다.
00:50:00 연사는 TradeTT 사이트의 무료 데모 계정을 통해 ADL 플랫폼에 액세스하여 사용자가 플랫폼을 즉시 사용하고 데모할 수 있는 방법에 대해 설명합니다. 연사는 또한 ADL 플랫폼이 주요 거래소와 같은 위치에 있으며 각 위치의 시설에 위치한 서버 풀과 다양한 거래를 시도하려는 사용자를 위한 gen-pop 서버를 제공한다고 언급합니다. 또한 발표자는 ADL이 내년 상반기에 출시할 새로운 분석 블록에 대해 이야기합니다. 이 블록은 과거 데이터를 제공하고 해당 데이터에 대한 연구를 수행할 수 있는 기능을 제공합니다. 마지막으로 연사는 웹 서비스 및 API, 12월 1일 TT REST API 출시, 외환 거래에 ADL 플랫폼을 사용하는 방법에 대해 설명합니다.
00:55:00 연사는 Trading Technologies 플랫폼에서 외환 거래 옵션의 가용성에 대해 논의하며 현재 CME에서 외환 기능을 사용할 수 있고 현물 외환 계약이 진행 중이지만 외환 거래소와 직접 연결할 즉각적인 계획은 없다고 언급했습니다. 뉴욕증권거래소 제공. 발표자는 또한 청중이 제품 개선 사항을 추적하고 응답하는 포럼에서 질문을 하도록 권장합니다. 청중은 Trading Technologies 플랫폼의 무료 데모를 보려면 tryTTnow.com을 방문하도록 안내됩니다. 결론에는 백 프로그램 미리보기와 참석자가 웨비나 세션을 종료하기 전에 설문 조사 양식을 작성하라는 요청이 포함됩니다.
Quantiacs의 CTO인 Eric Hamer가 헤지 펀드 산업의 민주화를 목표로 하는 Quantiacs와 Quantinsti의 파트너십을 소개합니다. 이 협업은 Quantiacs의 오픈 소스 도구 및 데이터를 사용하여 학생들에게 실용적인 기술을 갖추도록 교육 세션을 제공합니다. Quantiacs는 알고리즘을 개발하는 양적 분석가와 자본을 연결하는 크라우드 소싱 헤지 펀드 역할을 하며 Quantinsti는 알고리즘 거래 과정을 제공합니다. Hamer는 참여하는 퀀트가 Quantiacs 경쟁에서 경쟁할 수 있으며 여기에서 투자 자본과 이익의 일부를 얻을 수 있는 기회가 있다고 강조합니다.
Hamer는 Quantiacs가 코더의 알고리즘을 자본 시장에 연결하여 전략이 성공할 경우 Quantiacs와 Quantiacs 모두에게 이익이 되는 방법을 자세히 설명합니다. Quantiacs는 다운로드 가능한 MATLAB 및 Python용 데스크탑 툴킷, 샘플 거래 전략 및 1990년 이후의 무료 종가 선물 데이터를 제공하여 양적 거래를 촉진하기 위해 노력하고 있습니다. Quantiacs는 또한 고객의 알고리즘 개선을 지원하기 위해 거시 경제 지표를 통합했습니다. 또한 Quantiacs는 사용자가 무료로 알고리즘을 제출하고 평가할 수 있는 온라인 플랫폼을 제공합니다. 현재 선물에 중점을 두고 있는 Quantiacs는 잠재적으로 미래의 주식 시장에 대해 비교 가능한 데이터를 제공하는 것을 목표로 합니다.
연사는 Quantiacs 플랫폼에서 거래 전략의 두 가지 주요 기능인 비용 함수와 거래 시스템에 대해 설명합니다. 비용 함수는 특정 날짜의 고가와 저가 간 차이의 5%를 활용하여 거래 비용과 수수료를 설명합니다. 반면에 거래 시스템에서는 사용자가 가격 정보를 요청하고 포트폴리오 할당을 결정하는 가중치 벡터 또는 매트릭스를 제공할 수 있습니다. Quantiacs는 전역 변수의 사용을 권장하지 않으며 필요한 상태 정보를 유지하기 위한 설정 매개변수를 제공합니다. Hamer는 연간 수익률이 2.5%인 간단한 거래 전략의 예를 제공합니다. 전략의 결과물에는 주식 곡선, 롱 포지션과 숏 포지션의 성과, 개별 선물 성과가 포함됩니다. Quantiacs는 긍정적인 성과, 낮은 변동성 및 위험 조정 수익률을 측정하는 샤프 비율을 기반으로 전략을 평가합니다.
Hamer는 기계 학습의 개념과 양적 금융에서의 응용 프로그램을 소개합니다. 그는 미국 증권 거래소 거래의 상당 부분(약 85%~90%)이 컴퓨터로 생성된다는 점을 강조합니다. 회귀, 분류 및 클러스터링과 같은 기계 학습 기술은 현장에서 점점 더 널리 보급되고 있습니다. Hamer는 기계 학습과 관련된 몇 가지 함정에 대해 논의하면서 과도한 거래 없이 위험 조정 수익을 극대화하는 것의 중요성을 강조합니다. 신경망은 뛰어난 결과를 낼 수 있지만 실행 시간이 길어질 수 있으며 기존 CPU 아키텍처가 최적이 아닐 수 있습니다. 그러나 고성능 GPU를 사용할 수 있으므로 실행 시간이 크게 단축됩니다. Python 및 MATLAB과 같은 오픈 소스 라이브러리가 존재하지만 기계 학습 알고리즘을 설정하고 교육하는 것은 노력과 노력이 필요한 복잡한 프로세스일 수 있습니다.
Hamer는 문제 설명을 지정하고 기계 학습 문제의 유형을 식별하는 것부터 시작하여 기계 학습 프로세스에 대해 자세히 설명합니다. 그는 기계 학습에서 숫자 데이터에 대한 요구 사항을 설명하고 모델 교육 및 평가를 위해 각각 데이터를 교육 및 테스트 세트로 나누는 것에 대해 설명합니다. Hamer는 Quantiacs Python API를 활용하여 미니 S&P 500 선물 계약을 예측하고 Keras 신경망 API를 사용하여 결과를 표시하는 방법을 보여주는 예를 제공합니다.
미래 주가 예측을 위해 만든 기계 학습 모델의 한계는 Hamer가 논의합니다. 모델이 처음에는 가격을 정확하게 예측하는 것처럼 보일 수 있지만 자세히 살펴보면 오늘의 데이터를 내일 데이터의 프록시로 사용하고 있음을 알 수 있습니다. 동일한 알고리즘을 원시 데이터 반환에 적용할 때 모델의 예측은 유사한 모양을 따르지만 실제 값과 동일한 크기는 아닙니다. Hamer는 거래 데이터에 적용했을 때 모델의 열악한 성능을 보여주고 개선을 위한 잠재적인 방법을 탐색합니다. 또한 거래 시스템 기능에 사용되는 소스 코드에 대한 간략한 개요도 제공합니다.
Hamer는 S&P 500 선물 수익률을 예측하기 위한 순차적인 Keras 모델 생성을 시연합니다. 모델은 기본 구조로 시작하여 특정 레이어를 통합합니다. Hamer는 실제 가격 데이터로 구성된 훈련 데이터를 사용하여 모델을 훈련하고 y 값은 예측할 반품 데이터를 나타냅니다. 훈련을 마치면 Hamer는 설정에서 모델을 추출하고 이를 사용하여 최신 데이터를 기반으로 수익을 예측할 수 있습니다. 단순한 S&P 500 미니 모델은 성능이 좋지 않지만, Hamer는 경사 하강법 및 부스팅과 같은 적절한 기술과 최적화가 문제를 해결할 수 있다고 설명합니다.
Hamer는 양적 금융에서 기계 학습 알고리즘의 유효성을 향상시키는 기술에 대해 논의합니다. 그는 통찰력을 얻기 위해 데이터의 여러 하위 집합에서 알고리즘을 실행하는 것과 관련된 부트스트랩 집계 기술을 사용할 것을 제안합니다. 전략을 단순하게 유지하고 여러 예측을 활용하여 합의에 도달하고 과적합, 데이터 정리, 누락된 데이터 및 임의 변수 처리에 주의하는 것도 권장됩니다. Hamer는 기계 학습과 인공 지능이 계속해서 금융 시장을 예측하는 데 중요한 도구가 될 것이라고 믿습니다.
연사는 기계 학습에 대한 전용 세션을 제공하는 EpAT 및 ConTA 과정을 소개합니다. EpAT는 알고리즘 또는 양적 거래 분야에서 성장을 추구하는 전문가를 대상으로 하며, ConTA는 Python으로 기계 학습을 사용하여 회귀 기술을 구현하는 자습 과정을 제공합니다. Hamer는 기계 학습을 위한 R과 Python 중 선택에 관한 질문에 응답하고 대체 데이터 세트를 테스트할 때 과적합을 피하는 방법에 대한 조언을 제공합니다. 그는 교육 및 테스트 데이터 모두에서 모델을 교육하고 과적합을 방지하기 위해 두 세트 간의 오류 차이를 조사할 것을 제안합니다.
Hamer는 알고 거래를 위한 머신 러닝에서 과적합의 위험을 강조하고 정확도 테스트를 위해 부트스트랩 집계 또는 배깅 기술을 사용하여 데이터 세트를 더 작은 하위 집합으로 분할할 것을 제안합니다. 재무 데이터의 잡음과 변동으로 인해 50% 이상의 정확도는 좋은 것으로 간주될 수 있습니다.
마지막으로 Hamer는 거래 전략을 자동화하기 위해 기술을 이해하는 것의 중요성을 강조합니다. 그는 알고리즘 트레이더로서 성공하는 데 필요한 다양한 기술에 대한 교육을 제공하는 교육 프로그램의 필요성을 강조합니다.
00:00:00 Quantiacs의 CTO인 Eric Hamer는 학생들이 Quantiacs 오픈 소스 도구 및 데이터를 사용하여 실용적인 기술을 습득할 수 있는 교육 세션을 제공하여 헤지 펀드 산업을 민주화하는 것을 목표로 하는 Quantiacs와 Quantinsti 간의 파트너십을 소개합니다. Quantiacs는 알고리즘을 개발하는 퀀트와 자본을 연결하는 크라우드 소싱 헤지 펀드이며 Quantinsti는 알고리즘 거래 과정을 제공합니다. Hamer는 또한 Quants가 투자 자본과 이익의 일부를 얻기 위해 Quantiacs 경쟁에 참여할 수 있는 방법을 강조합니다.
00:05:00 Quantiacs의 Eric Hamer는 전략이 성공할 경우 코더의 알고리즘을 자본 시장에 연결하는 방법에 대해 논의합니다. Quantiacs는 MATLAB 및 Python을 위한 다운로드 가능한 데스크톱 도구 키트, 샘플 거래 전략 및 빠르면 1990년까지 거슬러 올라가는 무료 종가 선물 데이터를 제공하여 양적 거래를 촉진하는 것을 목표로 합니다. 또한 Quantiacs는 거시 경제 지표를 추가하여 고객이 사용자가 알고리즘을 무료로 제출하고 평가할 수 있는 온라인 플랫폼입니다. 현재는 선물에 대해서만 작업하고 있지만 Quantiacs는 향후 주식 시장에 대해 비교 가능한 데이터를 제공할 수 있습니다.
00:10:00 연사는 Quantiacs 플랫폼에서 거래 전략의 두 가지 주요 기능인 비용 함수와 거래 시스템에 대해 설명합니다. 비용 함수는 특정 날짜의 고가와 저가 간 차이의 5%를 사용하여 거래 비용과 수수료를 설명합니다. 반면에 거래 시스템에서는 사용자가 가격 정보를 요청하고 포트폴리오 할당을 결정하는 가중치 벡터 또는 매트릭스를 다시 전달할 수 있습니다. 플랫폼은 전역 변수의 사용을 권장하지 않으며 필요한 상태 정보를 유지하기 위한 설정 매개변수를 제공합니다. 연사는 연 2.5%의 수익률을 제공하고 주식 곡선, 롱 포지션과 숏 포지션의 성과, 개별 선물 성과를 포함하는 간단한 거래 전략의 결과물을 보여줍니다. 마지막으로 플랫폼은 전략을 평가합니다. 긍정적인 성과, 낮은 변동성 및 위험 조정 수익률을 측정하는 샤프 비율을 기반으로 합니다.
00:15:00 Eric Hamer는 기계 학습의 개념과 양적 금융에서의 응용 프로그램을 소개합니다. 그는 미국 증권 거래소 거래의 85~90%가 컴퓨터에서 생성되며 회귀, 분류 및 클러스터링과 같은 기계 학습 기술이 점점 보편화되고 있다고 언급합니다. Hamer는 기계 학습의 몇 가지 함정을 설명하고 과도한 이탈 없이 위험 조정 수익을 극대화하는 것의 중요성을 강조합니다. 신경망을 사용하면 매우 좋은 결과를 얻을 수 있지만 실행 시간이 길어질 수 있으며 기존 CPU 아키텍처는 최적이 아닙니다. 그러나 실행 시간을 크게 단축할 수 있는 고성능 GPU가 있습니다. Python 및 MATLAB과 같은 사용 가능한 오픈 소스 라이브러리에도 불구하고 기계 학습 알고리즘을 설정하고 교육하는 것은 노력과 작업이 필요한 복잡한 프로세스일 수 있습니다.
00:20:00 Eric Hamer는 문제 설명을 지정하고 기계 학습 문제의 유형을 식별하는 것부터 시작하여 기계 학습 프로세스에 대해 논의합니다. Hamer는 기계 학습에서는 모든 것이 숫자여야 하며 데이터 세트는 일반적으로 모델을 훈련하고 평가하기 위해 훈련 데이터와 테스트 데이터로 나뉜다고 설명합니다. Hamer는 또한 예를 들어 Quantiacs Python API를 사용하여 미니 S&P 500 선물 계약을 예측하고 Keras 신경망 API를 사용하여 결과를 표시하는 방법을 설명합니다.
00:25:00 Eric Hamer가 미래 주가 예측을 위해 만든 기계 학습 모델의 한계에 대해 논의합니다. 이 모델은 언뜻 보기에 가격을 정확하게 예측하는 것처럼 보이지만 자세히 살펴보면 실제로는 오늘의 데이터를 내일 데이터의 프록시로 사용하고 있음을 알 수 있습니다. 동일한 알고리즘이 원시 데이터 반환에 적용될 때 모델의 예측은 동일한 모양을 따르지만 실제 값과 동일한 크기는 아닙니다. 그런 다음 Hamer는 거래 데이터에 적용했을 때 모델의 성능 저하를 보여주고 개선을 위한 잠재적인 방법에 대해 논의합니다. 또한 거래 시스템 기능에 사용되는 소스 코드에 대한 간략한 개요도 제공합니다.
00:30:00 Eric Hamer가 S&P 500 선물 수익률을 예측하기 위해 순차적인 Keras 모델을 생성하는 방법을 보여줍니다. 모델은 베어본 모델로 시작하여 특정 레이어를 추가합니다. 그런 다음 Eric은 실제 가격 데이터인 교육 데이터로 모델을 교육하고 y 값은 그가 예측하고자 하는 반환 데이터입니다. 모델이 훈련되면 Eric은 설정에서 모델을 꺼내 가장 최근 데이터를 기반으로 반환이 무엇인지 예측하는 데 사용할 수 있습니다. Eric의 단순한 S&P 500 미니 모델은 잘 작동하지 않지만 경사 하강 및 부스팅과 같은 적절한 기술과 최적화로 문제를 해결할 수 있는 방법을 설명합니다.
00:35:00 Eric Hamer가 데이터의 다양한 잘린 버전에서 알고리즘을 실행하는 것과 관련된 부트스트랩 집계 기술과 같이 양적 금융에 적용되는 기계 학습 알고리즘의 유효성을 높이는 데 사용할 수 있는 몇 가지 기술에 대해 설명합니다. 그것으로부터 무엇을 배울 수 있는지 보기 위해. 그는 합의에 도달하기 위해 전략을 단순하게 유지하고 여러 예측을 사용하는 것은 물론 과적합, 데이터 정리, 누락된 데이터 및 무작위 변수에 대한 설명에 주의할 것을 조언합니다. 전반적으로 그는 기계 학습과 인공 지능이 계속해서 금융 시장을 예측하는 핵심 도구가 될 것이라고 믿습니다.
00:40:00 연사는 기계 학습에 대한 전용 세션을 제공하는 EpAT 및 ConTA 과정을 소개합니다. EpAT는 알고 또는 퀀트 거래 분야에서 성장하려는 전문가를 위해 설계되었으며 ConTA는 Python으로 기계 학습을 사용하여 회귀 기술을 구현하는 자습 과정을 제공합니다. 연사는 기계 학습을 위해 R과 Python 중에서 선택하는 방법과 대체 데이터 세트를 테스트할 때 과적합을 방지하는 방법에 대한 질문에도 답변합니다. 연사는 교육 데이터와 테스트 데이터 모두에 대해 모델을 교육하고 과적합을 방지하기 위해 둘 사이의 오류 차이를 살펴볼 것을 권장합니다.
00:45:00 Eric Hamer는 알고리즘 거래를 위한 기계 학습의 과적합의 함정에 대해 논의하고 부트스트랩 집계 또는 배깅 기술을 사용하여 데이터 세트를 더 작은 하위 집합으로 분할하여 정확도를 테스트할 것을 제안합니다. 그는 또한 잡음과 변동으로 인해 50% 이상의 정확도는 재무 데이터에서 좋은 것으로 간주될 수 있다고 지적합니다.
00:50:00 Eric Hamer는 거래 전략을 자동화하기 위해 기술 이해의 중요성을 강조합니다. 그는 성공적인 알고리즘 거래자가 되기 위해 필요한 다양한 기술에 대해 사람들을 훈련시킬 수 있는 교육 프로그램의 필요성을 언급합니다.
양적 연구원이자 Python 개발자인 Brian Christopher는 전통적인 시계열 분석의 한계에 대한 포괄적인 프레젠테이션을 제공하고 수익 예측 및 시장 체제 식별을 위한 유망한 대안으로 혼합 모델, 특히 숨겨진 Markov 모델(HMM)을 소개합니다. 그는 재무 예측에 필수적인 비정적 데이터와 대략적인 비선형 분포를 처리할 수 있는 모델의 필요성을 강조합니다.
Christopher는 혼합 모델, 특히 HMM을 사용하여 각 체제에 대한 관련 평균 및 분산과 함께 자산의 가장 가능성 있는 체제를 추정하는 방법을 탐구합니다. 그는 계산 클래스 매개변수와 우도 데이터 평가 사이를 번갈아 가며 수행하는 계산 프로세스를 설명합니다. 잘 알려진 혼합 모델인 가우시안 혼합 모델(GMM)은 각 영역이 가우시안 분포를 따른다고 가정합니다. Christopher는 수렴할 때까지 확률 및 영역 매개변수를 계산하기 위해 기대값 최대화 알고리즘을 사용하는 방법을 보여줍니다. 이를 설명하기 위해 그는 스파이 ETF의 저변동성, 중립성, 고변동성 체계를 분류한 예를 보여줍니다.
다음으로 Christopher는 GMM이 비정적 및 비선형 데이터 세트를 처리하여 기존 시계열 분석의 한계를 극복하는 방법에 대해 자세히 설명합니다. 그는 자산수익률과 미 국채 10년~3개월 스프레드 등 4가지 팩터를 활용해 시퀀스 수익률과 매개변수를 추정하는 장난감 전략을 제시한다. GMM은 적합하고 예측하는 데 사용되며 특정 제도의 평균과 분산을 결정하기 위해 마지막 제도 레이블의 추정치를 추출합니다. 정규 분포를 가정하는 대신 Johnson su 분포는 데이터의 비선형 특성을 설명하는 전략의 일부로 활용됩니다.
발표자는 신뢰 구간을 벗어나는 수익이 이상치라는 가정을 기반으로 시장 바닥을 예측하는 전략에 대해 논의합니다. 1,000개의 샘플을 통해 99% 신뢰 구간을 구성함으로써 낮은 신뢰 구간 아래의 수익은 이상치로 간주됩니다. Christopher는 특정 일수 동안 ETF에서 롱 포지션 또는 매수 포지션을 취한다고 가정하고 이상치 이벤트 이후의 수익률을 분석합니다. 이 모델은 변화하는 변동성에 적응하며 전체 정확도는 약 73%이지만 주식 곡선은 매수 후 보유 전략만큼 잘 수행되지 않습니다. Christopher는 프레젠테이션에 사용된 데이터 세트가 GitHub에서 제공되므로 청중이 직접 데이터를 탐색하도록 권장합니다.
Christopher는 다양한 ETF의 시장 바닥을 예측하기 위해 혼합 모델을 사용한 분석을 공유합니다. 그는 다양한 룩백 및 보유 기간에 걸쳐 각 ETF의 중간 수익률 분포를 조사합니다. SPY, Triple Q 및 TLT는 다양한 차원에서 일관되게 뛰어난 성능을 보이는 반면 GLD, EFA 및 EEM은 보다 대칭적인 분포를 나타냅니다. 그는 또한 1보다 큰 값을 성공적인 것으로 간주하여 0보다 큰 이벤트의 총 수익을 0보다 작은 수익으로 나눈 값을 측정하는 합계 비율을 평가합니다. SPY, Triple Q 및 TLT는 여러 차원과 룩백 기간에 걸쳐 강력한 성능을 보여줍니다. 그러나 Christopher는 보유 기간이 길수록 전체 시장 추세에 더 많은 영향을 받을 수 있다고 경고합니다.
발표자는 시장 바닥을 예측하기 위해 혼합 모델을 사용하여 시장에서 다양한 자산의 성과에 대해 논의합니다. SPY, Triple Q, TLT, GLD와 같은 자산은 단계 수 또는 룩백 기간과 같은 변수에 따라 잘 작동하는 것으로 연구에서 밝혀졌습니다. 그러나 특정 자산의 성과는 보유 기간이 길어질수록 악화됩니다. 이 연구는 다양한 구성 요소에 대한 중간 수익을 평가하고 EEM 및 Aoife와 같은 자산에 대한 유망한 결과를 식별합니다. 적절한 샘플링 분포의 중요성을 강조하고 Johnson su 분포를 사용하는 것이 효과적인 것으로 나타났습니다. 전반적으로 시장 바닥을 예측하기 위해 혼합 모델을 활용하는 전략은 설득력이 있는 것으로 입증되었습니다.
Christopher는 GMM이 SPY, Triple Q 및 TLT와 같은 자산에서 지속적으로 성공을 거두었지만 동등하거나 더 나은 성과를 내는 대체 전략이 있다고 설명합니다. 모델 러너 클래스의 코드와 GMM 구성 요소를 구현하는 모델 실행 편의 기능에 대해 간략하게 설명합니다. 그는 이 모델이 앞을 내다보는 편향을 피하기 위해 앞으로 나아가는 방식으로 구현되었다고 강조합니다. 또한 Christopher는 GitHub에서 HDF5 형식으로 사용한 데이터를 제공합니다.
발표자는 혼합 모델 전략의 효과를 평가하기 위해 출력된 데이터를 구성하고 분석하는 방법을 설명합니다. 메트릭과 평균을 평가하기 위해 다양한 슬라이싱 및 그룹화 기술을 사용할 수 있습니다. Johnson su 분포는 수익률 시리즈의 변화하는 변동성에 적응하는 데 사용되며 정규 분포와 비교됩니다. 크리스토퍼는 정규 분포의 정확도가 좋지 않으며 단순히 시장을 유지하는 것이 더 유리할 수 있다고 제안합니다. 그러나 그는 개인이 GitHub에서 데이터를 탐색하도록 권장하고 질문을 해결하거나 웨비나에 참여할 것을 제안합니다.
Q&A 세션에서 Christopher는 혼합 모델을 사용하여 시장 바닥을 예측하는 방법에 대한 웨비나에 대한 청중의 질문에 답변합니다. 그는 대략적인 매개변수 검색을 통해 Johnson 분포의 모양 매개변수를 결정했으며 결과를 광범위하게 조사하지 않았다고 설명합니다. 그는 또한 미국 기반 자산 수익률을 예측하는 모델의 성공을 향상시키기 위해 미국 기반 이자 또는 고정 수입 지표를 포함하는 것을 강조하면서 자신의 모델에 유용한 요소를 선택한 방법에 대해 설명합니다.
Christopher는 가격 대신 수익에 대한 GMM의 적용, 가격을 사용할 때의 규모 문제, 여러 요인의 편향-분산 문제, 룩백과 백테스팅 간의 유사성에 관한 추가 청중 질문을 다룹니다. 그는 더 넓은 범위의 자산에서 더 예측 가능한 요인 조합에 대한 추가 탐색과 연구를 제안합니다. 그는 또한 과적합을 방지하기 위해 GMM 구성 요소 수에 대한 자연스러운 제한을 설정하는 것의 중요성을 강조합니다. Christopher는 추가 질문 및 세부 사항에 대해 청중이 그에게 연락하도록 초대합니다.
00:00:00 정량적 연구원이자 Python 개발자인 Brian Christopher는 고정 데이터의 엄격한 요구 사항과 비선형 분포를 근사화할 수 있는 모델의 필요성으로 인해 수익을 예측하거나 시장 타이밍을 예측할 때 기존 시계열 분석의 한계에 대해 논의합니다. 그런 다음 혼합 모델, 특히 Markov 모델과 같은 몇 가지 확립된 개념을 기반으로 구축되고 비선형 분포를 근사화하는 데 사용할 수 있으며 고정 데이터가 필요하지 않은 HMM(은닉 마르코프 모델)의 사용을 탐구합니다.
00:05:00 Brian Christopher는 혼합 모델을 사용하여 시장 바닥을 예측하고 각 체제에 대한 관련 평균 및 분산을 포함하여 자산의 가장 가능성이 높은 체제를 추정하는 데 어떻게 도움이 되는지 논의했습니다. 모델은 컴퓨팅 클래스 매개변수 사이를 회전하고 각 체제의 평균과 분산 및 그들 사이의 전이 확률을 포함하여 각 매개변수가 주어진 우도 데이터를 평가합니다. 가장 잘 알려진 모델은 각 체제가 가우시안 프로세스에 의해 생성된다고 가정하고 기대 최대화 알고리즘을 사용하여 수렴 또는 다른 중지 기준이 충족될 때까지 확률 및 체제 매개변수를 계산하는 가우시안 혼합 모델입니다. Brian은 스파이 ETF의 저변동성, 중립성, 고변동성 체계를 분류하기 위해 모델을 사용하는 예를 보여주었습니다.
00:10:00 Brian Christopher는 가우시안 혼합 모델(GMM)이 비정적 데이터 세트와 대략적인 비선형 데이터 세트를 처리하여 기존 시계열 분석 모델의 일부 약점을 극복하는 방법을 설명합니다. Christopher는 자산 수익률, 미국 국채 10년에서 3개월 스프레드 등을 포함하여 수익률 및 매개변수의 순서를 추정하기 위해 4가지 요소를 사용하는 장난감 전략을 설계합니다. 이 접근 방식은 GMM을 사용하여 적합하고 예측하며 마지막 체제 레이블의 추정치를 추출하여 정규 분포 대신 Johnson su 분포에 공급되는 특정 체제에 대한 평균 및 분산의 모델 추정치를 얻습니다. 전략.
00:15:00 화자는 신뢰 구간을 벗어나는 모든 실제 수익을 이상치라고 가정하고 이 가정을 기반으로 시장 바닥을 예측하는 전략에 대해 논의합니다. 그들은 99% 신뢰 구간을 구성하기 위해 1,000개의 샘플을 추출하고 낮은 신뢰 구간 아래의 수익은 이상값이라고 가정합니다. 그런 다음 며칠 동안 ETF를 장기 보유하거나 매수한다고 가정하여 이상치 이벤트 이후의 수익을 살펴봅니다. 이 모델은 변화하는 변동성에 적응하고 전체 모델의 정확도는 약 73%이지만 주식 곡선은 특히 매수 후 보유 전략과 비교할 때 약간 부족합니다. 연사는 사람들이 GitHub에서 데이터 세트를 사용할 수 있도록 만들었기 때문에 사람들이 스스로 데이터를 가지고 놀도록 권장하고 각 ETF를 개별적으로 또는 집합적으로 평가할 수 있습니다.
00:20:00 Brian Christopher가 혼합 모델을 사용하여 시장 바닥을 예측하는 ETF 분석에 대해 설명합니다. 그는 다양한 룩백 기간과 보유 기간에 걸쳐 각 ETF의 중간 수익률 분포를 살펴보았습니다. SPY, Triple Q 및 TLT는 모든 차원에서 우수한 성능을 보였고 GLD, EFA 및 EEM은 보다 대칭적인 분포를 보였습니다. 그는 또한 0보다 큰 모든 이벤트의 총 수익을 0보다 작은 수익의 합으로 나눈 합계 비율을 살펴보고 1보다 큰 값이 성공적인 것으로 간주된다는 것을 발견했습니다. SPY, Triple Q 및 TLT는 여러 차원 및 룩백 기간에 걸쳐 우수한 성과를 보였습니다. 그러나 Christopher는 보유 기간이 길수록 시장의 일반적인 추세에 더 많은 영향을 받을 수 있다고 경고합니다.
00:25:00 연사는 시장 바닥을 예측하기 위해 혼합 모델을 사용하여 시장에서 다양한 자산의 성과에 대해 논의합니다. 연구 결과 SPY, Triple Q, TLT, GLD와 같은 자산은 단계 수 또는 룩백 기간과 같은 변수에 따라 실적이 좋은 것으로 나타났습니다. 보류 기간이 길어지면 특정 자산의 성능이 저하됩니다. 이 연구는 다양한 구성 요소에 대한 평균 수익을 평가하고 EEM 및 Aoife와 같은 자산에 대한 유망한 결과를 발견했습니다. 이 연구는 또한 적절한 샘플링 분포의 중요성을 강조하고 Johnson su 분포의 사용이 효과적인 것으로 나타났습니다. 전반적으로 혼합 모델을 사용하여 시장 바닥을 예측하는 전략은 설득력이 있는 것으로 나타났습니다.
00:30:00 발표자는 GMM(Gaussian Mixture Model)이 SPY, Triple Q 및 TLT에서 일관된 성공을 보인 자산 또는 수익 분포 예측을 위한 프레임워크라고 설명합니다. 그러나 일부 전략은 동등하거나 더 나은 성과를 보였으므로 이에 따라 기대치를 완화해야 합니다. 그런 다음 발표자는 모델 러너 클래스의 코드와 구성 요소에서 GMM을 구현하는 모델 실행이라는 편의 기능을 간략하게 살펴봅니다. 발표자는 앞을 내다보는 편향이 없도록 모델이 워크포워드 방식으로 구현되었음을 강조합니다. 또한 발표자는 자신이 사용한 데이터를 HDF5 형식으로 Github에서 사용할 수 있도록 했습니다.
00:35:00 발표자는 출력된 데이터를 구성하고 분석하여 혼합 모델 전략의 효율성을 결정하는 방법에 대해 논의합니다. 데이터는 지표와 평균을 평가하기 위해 다양한 방법으로 조각화되고 그룹화될 수 있습니다. Johnson su 분포는 수익률 시리즈의 변화하는 변동성에 적응하는 데 사용되며 정규 분포와 비교됩니다. 화자는 정규 분포의 정확도가 나쁘고 시장을 유지하는 것이 더 나을 수 있다고 제안합니다. 그러나 연사는 github에서 데이터 탐색을 권장하며 질문에 답변하거나 웨비나에 참여할 의향이 있습니다.
00:40:00 Brian Christopher는 혼합 모델을 사용하여 시장 바닥을 예측하는 방법에 대한 웨비나에 대한 청중의 몇 가지 질문에 답변합니다. 그는 대략적인 매개변수 검색을 통해 Johnson 분포의 모양 매개변수를 결정했으며 결과를 광범위하게 조사하지 않았다고 설명합니다. 또한 Christopher는 자신이 선택한 요인이 자신의 모델에 도움이 되는지 여부를 결정한 방법에 대해 설명하면서 여러 가지 요인을 시도한 결과 궁극적으로 미국 기반 이자 또는 고정 수입 지표를 사용하면 모델이 미국 기반 자산을 보다 성공적으로 예측하는 데 도움이 된다는 사실을 발견했다고 설명합니다. 보고.
00:45:00 Brian Christopher는 가격 대신 수익에 GMM을 적용한 이유, 가격을 사용할 때 규모의 문제, K 팩터에서 발생할 수 있는 편향 분산 문제, 룩백 사용의 유사성에 대한 청중의 몇 가지 질문에 답변합니다. 백 테스트에. 그는 또한 더 넓은 범위의 자산에서 보다 예측 가능한 요인 조합에 대한 추가 탐색 및 연구를 제안하고 과대적합을 방지하기 위해 GMM 구성 요소 수에 대한 자연스러운 제한을 설정합니다. 브라이언 크리스토퍼(Brian Christopher)는 추가 질문 및 세부 사항에 대해 청중에게 연락하도록 초대합니다.
변동성에 대한 폭넓은 지식을 갖춘 존경받는 교수인 Arnav Sheth가 "Implied Volatility From Theory to Practice"라는 제목의 웨비나의 연사로 무대에 올랐습니다. 호스트는 Sheth를 소개하며 그의 책 출판과 컨설팅 및 분석 플랫폼 설립을 포함하여 해당 분야에 대한 그의 전문 지식을 강조합니다. 이 웨비나는 참석자들에게 내재 변동성, 다양한 유형의 변동성, 내재 변동성을 이용하는 거래 전략, 추가 탐색을 위해 사용 가능한 온라인 리소스 및 CBOE(Chicago Board Options Exchange) 지수에 대한 포괄적인 이해를 제공하는 것을 목표로 합니다.
Sheth는 과거 및 내재 변동성과 같은 다양한 변동성을 다루는 간결한 옵션 개요를 제공하는 것으로 시작합니다. 그는 하나의 거래 전략에 대해 자세히 살펴보고 몇 가지 CBOE 지수에 대해 논의하여 적용에 대한 실질적인 통찰력을 제공합니다. 역사적인 맥락을 제공하기 위해 Sheth는 기원전 500년경에 최초로 기록된 옵션 계약으로 거슬러 올라가 옵션의 기원을 공유합니다. 그는 풍성한 수확 기간 동안 모든 올리브 압착기에 대한 독점권을 확보한 수학자이자 철학자 탈레스의 이야기를 들려줍니다. 이 이야기는 옵션 거래의 초기 징후를 보여줍니다.
옵션의 현대적 정의로 이동하면서 Sheth는 콜 옵션의 개념을 명확하게 설명하고 기본 자산의 미래에 대한 투기 또는 헤징을 허용하는 계약으로 설명합니다. 콜옵션은 수취인에게 계약을 종료할 수 있는 권리를 제공하지만 의무는 제공하지 않는다는 점을 강조합니다. Sheth는 계속해서 콜 및 풋 옵션 거래의 기본 사항을 설명하면서 콜 옵션은 구매자에게 지정된 가격으로 기초 자산을 살 수 있는 권리를 부여하는 반면 풋 옵션은 구매자에게 미리 결정된 가격으로 기초 자산을 팔 수 있는 권리를 부여한다는 점을 강조합니다. 가격. 그는 옵션 거래가 제로섬 게임이라는 점을 강조합니다. 즉, 모든 승자에게는 패자가 있기 때문에 총 이익과 손실은 0이 됩니다. Sheth는 기본 주식을 소유하지 않고 콜 옵션을 매도하는 위험에 대해 경고하지만 주식을 소유하고 있는 경우 콜 옵션을 매도하면 위험을 완화하는 데 도움이 될 수 있다고 지적합니다.
Sheth는 롱 콜, 숏 콜, 롱 풋 및 숏 풋 옵션을 다루는 옵션 계약에 대해 자세히 설명합니다. 그는 잠재적인 손익 결과를 설명하고 초보자를 위한 "네이키드 옵션" 거래에 참여하지 않도록 주의합니다. 더욱이 그는 이익 대 이익을 계산할 때 화폐의 시간 가치를 설명하는 것의 중요성을 강조합니다. Sheth는 유럽식 옵션과 미국식 옵션을 구분하여 유럽식 옵션은 만기 시에만 행사할 수 있는 반면 미국식 옵션은 언제든지 행사할 수 있다고 설명합니다. 그는 Black-Scholes-Merton 가격 책정 모델을 소개하면서 이 섹션을 마무리합니다. 그는 이를 "차입 주식 매입"에 비유합니다.
그런 다음 BSM(Black-Scholes-Merton) 모델과 기본 가정으로 초점이 이동합니다. Sheth는 이러한 가정 중 하나를 강조하면서 수익률의 변동성은 알려져 있고 옵션의 수명 동안 일정하게 유지된다고 말합니다. 그는 역사적 자산 수익률의 표준 편차를 나타내는 역사적 변동성에 대해 계속 논의합니다. Sheth는 옵션의 잠재적인 수익성을 예측하는 것이 중요하다고 설명하면서 변동성이 높을수록 자산이 "인 더 머니"로 끝날 확률이 높아져 옵션 가격이 높아진다고 강조합니다.
다음으로 Sheth는 내재 변동성과 시장 옵션을 사용하는 Black-Scholes 모델의 리버스 엔지니어링 변동성에서의 역할을 탐색합니다. 내재 변동성은 시장의 예상 변동성으로 해석되며 시장 옵션 가격을 기준으로 계산됩니다. Sheth는 내재 변동성을 추정하기 위해 30일 만기 등가격 S&P 500 옵션을 활용하는 VIX를 소개합니다. VIX는 옵션 만기 기간 동안 시장이 예상하는 변동성을 측정합니다. 그는 거래자들이 종종 옵션 가격에서 파생된 내재 변동성을 사용하여 그 반대가 아니라 옵션 가격을 책정한다고 지적합니다. Sheth는 서로 다른 행사가가 동일한 기본 자산과 관련되어 있는 경우 내재 변동성이 일정하게 유지되어야 한다고 강조합니다.
Sheth는 계속해서 옵션 가격 책정의 변동성 스큐 개념을 설명합니다. 그는 행사 가격이 다양해짐에 따라 내재 변동성이 과거 변동성과 어떻게 달라지며 변동성 왜곡이 발생하는지 보여줍니다. Sheth는 스큐가 1987년 이후에 나타났으며 옵션 가격에 반영되므로 트레이더에게 기회를 제공한다고 강조합니다. 그는 내재 변동성과 실현 변동성의 차이를 나타내는 "변동성 위험 프리미엄"이라는 용어를 도입했습니다. 이 프리미엄은 거래 전략에서 악용될 수 있습니다. Sheth는 Black-Scholes 모델이 주로 옵션 가격 책정에 사용되지만 내재 변동성을 얻는 데 더 일반적으로 사용된다고 설명합니다.
옵션 시장의 내재 변동성 계산은 다음 논의 주제가 됩니다. Sheth는 트레이더가 기본 자산에 대한 특정 옵션의 시장 가치를 활용하고 이러한 가치를 Black-Scholes 모델에 입력하여 변동성을 리버스 엔지니어링하는 방법을 설명합니다. 그런 다음 내재 변동성은 특정 기간(종종 30일) 동안 옵션 시장의 예상 변동성으로 해석됩니다. Sheth는 변동성 위험 프리미엄의 개념을 도입하여 옵션 시장이 실제 변동성을 과대평가하는 경향이 있음을 보여줍니다. 그는 변동성 프리미엄의 빈도 분포를 제시함으로써 이 섹션을 마무리합니다.
연사는 스트래들 매도 개념에 초점을 맞춰 내재 변동성을 기반으로 한 거래 전략에 대해 자세히 설명합니다. Sheth는 내재 변동성이 일반적으로 실현 변동성보다 높기 때문에 옵션 가격이 너무 비싸다고 강조합니다. 결과적으로 이 전략에는 스트래들 매도와 변동성에 대한 공매도가 포함됩니다. 이러한 전략과 관련된 위험을 평가하기 위해 Sheth는 위험 평가를 위한 프레임워크를 제공하는 그리스 측정을 도입했습니다. 그는 등가격 스트래들 구매와 관련된 예시 시나리오를 제공하고 기본 주가를 기반으로 한 손익 결과에 대해 논의합니다. Sheth는 주가가 크게 변동하면 옵션 가격이 더 이상 변동성에 민감하지 않을 수 있다고 경고하면서 결론을 내립니다.
비디오는 주가 변동에 대한 헤지로 옵션 사용에 대해 논의합니다. Sheth는 콜과 풋을 동시에 구매하거나 주가에 가장 가까운 둘을 매도함으로써 델타 중립성을 달성할 수 있지만 vega는 완전히 헤지할 수 없다고 설명합니다. 그런 다음 Sheth는 변동성 프리미엄을 활용하는 편리한 방법으로 CBOE 지수를 소개합니다. 특히 커버드 콜 전략이 포함된 BXM(월간 매수) 지수와 BFLY 아이언 버터플라이 옵션을 언급합니다. 그는 소유 주식에 대해 커버드 콜을 작성하면 기본 주식을 단독으로 보유하는 것과 관련된 위험을 줄일 수 있지만 콜될 경우 주식을 잃을 가능성도 수반한다고 설명합니다. 마지막으로 Sheth는 S&P 500에 대해 3개의 행사가로 4개의 옵션을 사고 파는 철 나비 전략을 설명합니다.
웨비나가 끝날 무렵 Sheth는 외가격 풋 및 외가격 콜 구매와 관련된 전략을 제시합니다. 이 전략은 리버스 스트래들과 유사한 짧은 변동성 포지션을 초래하지만 이익 잠재력을 높이기 위해 약간 과장된 보상을 제공합니다.
00:00:00 발표자 Arnav Sheth가 이론에서 실제까지 내재 변동성에 관한 웨비나를 이끌 교수로 소개됩니다. 그는 다양한 유형의 변동성, 내재 변동성을 사용하는 방법, 내재 변동성의 특성을 활용하기 위한 거래 전략, 참석자가 시작하는 데 도움이 되는 이용 가능한 온라인 리소스 및 Chicago Board Options Exchange 지수를 다룹니다. 세션이 녹화되고 있으며 질의 응답 창을 통해 질문할 수 있습니다. 발표자는 변동성에 대한 해박한 지식을 갖춘 교수로 책을 출간하고 컨설팅 및 분석 플랫폼을 설립한 것으로 소개된다.
00:05:00 연사는 과거 및 내재 변동성과 같은 다양한 종류의 변동성을 포함하여 옵션의 기본 사항에 대한 간략한 개요를 제공하는 것으로 시작합니다. 그런 다음 세부적인 거래 전략 하나와 몇 가지 CBOE 지수를 소개합니다. 스피커는 또한 풍작 기간 동안 모든 올리브 압착기를 예약한 수학자이자 철학자인 Thales가 기원전 500년경으로 거슬러 올라가는 최초의 기록된 옵션 계약을 시작으로 옵션의 역사에 대해 이야기합니다. 그런 다음 연사는 현대의 콜 옵션이 무엇인지 정의하면서 기본 자산의 미래에 대해 추측하거나 헤지할 수 있는 계약이라고 설명합니다.
00:10:00 연사는 콜 및 풋 옵션 거래의 기본 사항을 설명합니다. 콜옵션은 매수자에게 주식과 같은 기초자산을 지정된 가격에 매수할 수 있는 권리(의무가 아닌 권리)를 부여하는 반면, 풋옵션은 매수자에게 의무가 아닌 권리를 부여하여 특정가격에 기초자산을 매도할 수 있는 권리를 부여합니다. 가격. 연사는 옵션 거래가 제로섬 게임이라고 말합니다. 즉, 모든 승자에게는 패자가 있으며 총 이익과 손실은 항상 0입니다. 또한 기초 주식을 소유하지 않고 콜을 매도하는 것은 매우 위험하지만 기초 주식을 소유하고 있는 경우 콜을 매도하면 위험을 줄일 수 있습니다.
00:15:00 Arnav Sheth가 콜 매수, 콜 매도, 풋 매수, 풋 매도 등 다양한 유형의 옵션 계약과 잠재적인 손익 결과에 대해 논의합니다. 그는 "네이키드 옵션"으로 시작하는 것에 대해 경고하고 이익 대 손익을 계산할 때 화폐의 시간 가치를 설명하는 것이 중요하다고 강조합니다. Sheth는 또한 유럽식 옵션은 만기 시에만 행사할 수 있는 반면 미국식 옵션은 언제든지 행사할 수 있다고 말하면서 유럽식 옵션과 미국식 옵션의 차이점을 명확히 합니다. 마지막으로 그는 옵션에 대한 Black-Scholes-Merton 가격 책정 모델을 다루며 "차입 주식 구매"라고 설명합니다.
00:20:00 연사는 BSM(Black-Scholes-Merton) 모델과 그 가정을 소개합니다. 그 중 하나는 수익률의 변동성이 알려져 있고 옵션의 수명 동안 일정하다는 것입니다. 그런 다음 그는 역사적 자산 수익률의 표준 편차인 역사적 변동성과 옵션의 잠재적 수익성을 예측하는 데 있어 그 중요성에 초점을 맞춥니다. 변동성이 클수록 옵션 가격이 높다는 것을 의미합니다. 그 이유는 자산이 내가격이 될 확률이 더 높기 때문에 잠재적 보상이 커질 수 있기 때문입니다.
00:25:00 연사는 내재 변동성과 이것이 시장 옵션을 사용하여 Black-Scholes 모델의 변동성을 리버스 엔지니어링하는 데 사용되는 방법에 대해 설명합니다. 내재 변동성은 시장의 기대 변동성으로 해석되며 시장 옵션 가격을 입력하여 계산됩니다. 30일 만기 등가격 S&P 500 옵션에서 계산된 VIX는 내재 변동성에 대한 최상의 추정치이며 옵션 만기 기간 동안 시장이 예상하는 변동성을 측정합니다. 트레이더는 종종 옵션 가격을 통해 계산된 내재 변동성을 옵션 가격에 사용합니다. 동일한 기본 자산에 대해 이야기하는 경우 내재 변동성은 모든 행사가에서 일정해야 합니다.
00:30:00 Arnav Sheth는 옵션 가격 책정의 변동성 스큐를 설명합니다. 그는 행사 가격에서 멀어짐에 따라 내재 변동성이 역사적 변동성에서 벗어나고 이를 변동성 스큐라고 합니다. 스큐는 1987년 이후에야 나타나며 옵션 가격에도 반영되어 트레이더들에게 기회가 됩니다. 내재 변동성과 실현 변동성의 차이를 변동성 위험 프리미엄이라고 하며, 이는 거래 전략에서 활용할 수 있습니다. Sheth는 Black Scholes 모델이 옵션 가격 책정에 사용되지만 내재 변동성을 얻기 위해 더 자주 사용된다고 설명합니다.
00:35:00 Arnav Sheth는 트레이더가 옵션 시장에서 내재 변동성을 계산하는 방법을 설명합니다. 트레이더는 기본 자산에 대한 특정 옵션의 시장 가치를 사용하고 5가지 값을 모두 Black Scholes 모델에 입력하여 변동성을 리버스 엔지니어링합니다. 그런 다음 내재 변동성은 다음 특정 기간(일반적으로 30일) 동안 옵션 시장에서 예상되는 변동성으로 해석됩니다. 내재 변동성과 실제 변동성의 차이인 변동성 위험 프리미엄의 개념이 도입되었으며, 대체로 옵션 시장은 실제 변동성을 과대평가하는 경향이 있음을 보여줍니다. 이 섹션은 변동성 프리미엄의 빈도 분포로 끝납니다.
00:40:00 연사는 내재 변동성과 스트래들 매도 개념을 기반으로 한 거래 전략에 대해 논의합니다. 연사는 내재 변동성이 일반적으로 실현 변동성보다 크며 이로 인해 옵션 가격이 과도하게 책정된다고 설명합니다. 따라서 전략은 스트래들을 매도하고 변동성을 매도하는 것입니다. 연사는 또한 이러한 전략과 관련된 위험을 평가하기 위해 그리스 측정의 개념을 소개합니다. 연사는 등가격 스트래들을 매수하는 예시 시나리오를 제공하고 기본 주가를 기준으로 손익 결과에 대해 논의합니다. 스피커는 주식 가격이 많이 변동하는 경우 옵션 가격이 더 이상 변동성에 민감하지 않을 위험을 강조하면서 결론을 내립니다.
00:45:00 비디오는 주가 변동에 대한 헤지 옵션 사용에 대해 설명합니다. 콜옵션과 풋옵션을 동시에 매수하거나 콜옵션을 매도하고 주가에 가장 근접한 가격에 풋옵션을 매도함으로써 델타 중립성을 달성할 수 있지만 베가를 헤지할 수는 없습니다. 그런 다음 비디오는 CBOE 지수를 변동성 프리미엄, 특히 BXM과 커버드 콜 및 BFLY 아이언 버터플라이 옵션을 활용하는 쉬운 방법으로 설명합니다. 소유하고 있는 주식에 대한 커버드 콜을 작성하면 기본 주식만 보유하는 위험을 줄일 수 있지만, 콜을 받을 경우 주식을 잃을 준비가 되어 있어야 합니다. 마지막으로 동영상은 S&P 500에 대해 3개의 행사가로 4개의 옵션을 사고 파는 철 나비의 전략을 설명합니다.
00:50:00 화자는 외가격 풋과 또 다른 머니 콜을 구매하는 것과 관련된 전략을 설명합니다. 이는 역방향 스트래들과 유사한 짧은 변동성 포지션으로 이어집니다. 다만 이익을 늘리기 위해 보수를 약간 과장했다.
알고리즘 트레이딩에 관한 유익한 세션의 시작에서 발표자는 이 영역에 대한 관심 증가에 감사를 표하고 수년 동안 이것이 미친 영향이 컸음을 인정합니다. 그들은 IH와 Quant Institute의 공동 설립자인 Nitesh를 세션의 발표자로 소개합니다. Nitesh는 금융 시장에서 풍부한 경험을 가지고 있는 것으로 묘사되며 특히 초보자를 위한 알고리즘 거래, 추세 및 기회에 대한 개요를 제공할 것입니다. 연사는 알고리즘 거래의 인기가 높아지고 있으며 향후 5년 동안 전 세계적으로 10% 이상의 CAGR로 예상되는 성장률을 보여주는 최근 뉴스 기사를 강조합니다.
연사는 알고리즘 거래의 성장과 기회에 대해 자세히 설명하며 전 세계적으로 두 자릿수 비율로 급속한 확장을 강조합니다. 그들은 다양한 거래소의 데이터를 제시하여 주식 및 상품 시장에서 증가하는 알고리즘 거래량을 보여줍니다. 알고리즘 거래를 정의하기 위해 그들은 정의된 명령 세트로 프로그래밍된 컴퓨터를 사용하여 이익 창출을 목표로 고속 및 빈도로 거래 주문을 하는 프로세스로 설명합니다. 알고리즘 거래에서 기술의 중요한 역할은 특히 거래 전략 수익성의 상당 부분(최대 60-70%)을 차지하는 고주파 거래에서 강조됩니다.
알고리즘 트레이딩의 주요 측면으로 이동하면서 연사는 기술, 인프라 및 전략에 대해 논의합니다. 그들은 오늘날의 알고리즘 거래 세계에서 기술 관료와 기술 지향적 거래자들이 앞장서는 기술의 두드러진 역할을 강조합니다. 인프라는 거래자의 성공 확률을 정의하는 중요한 요소로 식별되며 사용되는 인프라 유형의 중요성을 강조합니다. 마지막으로 연사는 트레이딩 전략 자체가 궁극적으로 수익성과 성공을 결정하는 것이며 트레이더의 전체 성공 확률의 30-70%를 차지한다고 설명합니다. 아이디어화, 모델링, 최적화 및 실행을 포함하여 전략 개발의 다양한 단계를 설명합니다.
최적화, 테스트 및 실행과 같은 알고리즘 거래의 단계는 연사가 설명합니다. 그들은 실행을 진행하기 전에 일관된 출력을 보장하기 위해 거래 모델의 입력 변수를 최적화하는 것이 중요하다고 강조합니다. 또한 실행을 자동화할 때 발표자는 잠재적인 위험에 대해 주의를 기울이고 안전을 보장하고 운영 위험을 방지하기 위한 강력한 위험 관리 시스템의 필요성을 강조합니다. 그들은 다리의 견적이 통계적으로 큰 이익과 거래당 높은 수익으로 이어진다고 언급합니다.
상당한 손실 가능성을 포함하여 알고리즘 거래와 관련된 위험에 대해 논의하고 운영 위험 관리의 중요성을 강조합니다. 연사는 또한 더 빠른 실행을 가능하게 하는 고속 라인 및 콜로케이션과 같은 알고리즘 거래에 필요한 인프라를 강조합니다. 알고리즘 트레이딩 데스크를 설정하는 실제 단계를 설명합니다. 회원 가입 또는 브로커 계정 개설을 통한 시장 접근부터 시작합니다. 연사는 라이센스 요구 사항이 규제 기관에 따라 다를 수 있다고 언급합니다. 올바른 알고리즘 거래 플랫폼을 선택하는 것이 중요하며 실행할 특정 전략에 따라 다릅니다.
연사는 알고리즘 거래 플랫폼과 전략 유형에 따른 선택에 대해 논의합니다. 저주파 거래 전략의 경우 브로커는 종종 다양한 프로그래밍 언어로 된 API 코드를 사용하여 자동 거래를 허용하는 무료 웹 기반 플랫폼을 제공합니다. 대기 시간에 대한 민감도를 높이기 위해 배포 가능한 플랫폼을 월 수백 달러의 비용으로 사용할 수 있습니다. 연사는 또한 사용되는 인프라 유형이 전략에 따라 다르며, 고주파 데이터 및 분석에는 최고 수준의 성능 서버가 필요하다고 강조합니다.
발표자는 다양한 규제 및 기술을 고려하여 알고리즘 거래에 필요한 다양한 유형의 액세스 및 인프라에 대해 자세히 설명합니다. 대기 시간, 주문 라우팅 라인 및 시장 데이터와 같은 요소를 강조하면서 공동 위치 및 근접 호스팅의 개념을 설명합니다. 강력한 데이터베이스와 전략 최적화를 위한 분석의 중요성은 특히 많은 양의 틱 단위 데이터를 처리할 때 강조됩니다. 이러한 도구에 대한 액세스 비용과 다양한 거래 전략에 필요한 데이터 사용 수준을 살펴봅니다.
발표자는 알고리즘 거래가 데이터 처리 및 모델 구축을 위해 R 또는 Matlab과 같은 Excel보다 더 정교한 도구를 요구한다고 설명합니다. 또한 글로벌 추세인 자동화와 함께 증가하는 규정 준수 및 감사 요구 사항도 언급합니다. 거래자들은 그들의 거래가 감사 가능하고, 그들의 코드와 전략이 극단적인 경우나 폭주 사례에 대해 적절한 보호를 받고, 에티켓 보호 장치가 있는지 확인하는 것이 좋습니다. 또한 분석, 기술 및 금융 시장에 대한 기본적인 이해를 갖춘 팀을 구성하고 세 가지 영역 모두를 전문으로 하는 팀원을 최소 한 명 이상 두는 것이 좋습니다. 이것은 숫자 계산, 패턴 인식, 타이핑 속도, 금융 시장 이해 및 규율과 같은 기술이 필요한 기존의 거래 성공 비결과 비교됩니다.
연사는 알고리즘 트레이딩을 활용한 퀀트 트레이딩의 성공 비법에 대해 논의합니다. 그들은 강력한 수학적 및 통계적 이해와 재무 컴퓨팅의 숙련도에 대한 필요성을 강조합니다. 하드웨어 기능과 네트워크가 거래 성공에 어떤 역할을 하는지에 대한 전반적인 이해와 함께 기술 및 시장 구조를 이해하는 것이 중요합니다. 금융 시장에 대한 이해도 필수적이며 전략을 코딩하고 모델링하는 방법을 아는 것은 추가적인 이점입니다. 더 높은 주파수 상점을 설정하는 사람들에게는 이러한 모든 요소가 중요합니다. 연사는 특히 금융 분야의 많은 개인이 성공에 필요한 기술 이해가 부족하기 때문에 거래 세계에 입문하는 개인에게 EPAT의 중요성을 강조합니다.
화자는 거래에 필요한 양적 분석 도구 중 기술에 대한 이해 부족을 해결하는 것에 대해 이야기합니다. 그들은 알고리즘 거래에 대한 전문 지식을 얻고자 하는 실무 전문가를 위한 ePACT(알고리즘 거래의 집행 프로그램)의 생성을 언급합니다. ePACT 프로그램은 4개월에서 4개월 반 동안의 주말 수업과 추가로 1.5개월에서 2개월의 프로젝트 작업이 포함된 6개월 통합 온라인 프로그램입니다. 프로젝트 작업을 통해 참가자는 선택한 도메인을 전문화할 수 있습니다. 이 프로그램은 업계 실무자가 가르치는 9개의 서로 다른 모듈로 구성되어 다루는 자료가 업계 요구 및 추세에 부합하는지 확인합니다.
ePACT 프로그램의 다양한 모듈은 금융 시장 소개, 기본 통계, 파생 상품 및 위험, 고급 통계 및 양적 거래 전략으로 시작하여 논의됩니다. 퀀트 트레이딩 전략 모듈은 다양한 트레이딩 전략을 다루며 알고리즘 트레이딩 데스크 설정 및 관련 비즈니스 측면 고려와 관련된 주제도 포함합니다. 이 프로그램은 또한 Python을 사용한 알고리즘 거래 플랫폼의 구현을 다루며 Python의 기초에 대한 지침과 다양한 플랫폼에서 거래 전략을 구현하는 방법을 제공합니다. 참가자에게는 프로젝트 작업을 감독할 멘토가 지정되며, 이는 선택한 영역 내에서 전문 분야 역할을 합니다.
연사는 알고리즘 트레이딩 프로그램의 참가자 및 졸업생에게 커리어 서비스 팀이 제공하는 지원 서비스에 대해 설명합니다. 실습을 통한 학습, 라이브 강의 및 녹화된 강의 이용의 중요성을 강조합니다. 발표자는 프로그램이 관련 주제를 다루도록 보장하기 위해 업계 요구 사항과 회사가 지원자에게 찾고 있는 프로필을 보여주는 그래프를 제시합니다. 그들은 이 프로그램에 다른 국가의 강사로서 업계 리더가 있으며 동창생이 전 세계 30개국 이상에 기반을 두고 있다고 언급합니다. 알고리즘 트레이딩에 대한 인식 제고를 위해 연구소에서 기획한 다양한 이벤트와 프로그램도 눈에 띈다.
발표자는 알고리즘 트레이딩과 관련된 시청자의 다양한 질문에 답변을 진행합니다. 그들은 미국 시민이 인도에서 거래 계좌를 개설할 수 있지만 청산 중개인과 계좌를 개설하려면 관리인을 거쳐 특정 절차를 따라야 함을 확인합니다. 연사는 알고리즘 트레이딩 데스크를 설정하거나 알고 트레이딩을 시작하는 데 관심이 있는 사람들을 위해 Dr. Ap Chan과 Larry Harris의 책을 추천합니다. 그들은 또한 Symphony Fintech, Automated Trading 및 YouTrade와 같은 알고리즘 거래를 위해 인도에서 사용할 수 있는 여러 플랫폼을 언급합니다. 실제 기술 데이터는 거래소에서 직접 또는 브로커를 통해 얻을 수 있습니다. 또한 그들은 학생들이 과정에서 개발한 것과 동일한 전략을 취하고 이를 실시간 거래에 적용할 수 있음을 확인합니다.
연사는 계속해서 알고리즘 거래에 대한 시청자의 다양한 질문에 답변합니다. 그들은 다른 도구를 사용하여 전략을 코딩하고 백테스팅하는 것이 가능하며 실시간 거래로 이식하는 것이 어렵지 않다고 설명합니다. 인도 시장에서의 거래에 대한 규정, 준수 및 라이센스에 관한 질문도 다룹니다. 연사는 적합한 자동 거래 전략을 위해 거래소의 허가가 필요하며 데모가 필요하다고 설명합니다. 또한 모멘텀 기반, 통계적 차익 거래 및 기계 학습 기반 전략과 같은 인기 있는 거래 전략에 대해서도 논의합니다.
연사는 코스에서 다루는 거래 전략 유형에 대해 논의하고 새로운 전략을 개발하고 테스트하고 실행하는 방법을 배우는 것의 중요성을 강조합니다. 그들은 과정 졸업생의 직업 전망, 제공되는 평균 급여 및 촛대 패턴을 분석하는 데 필요한 프로그래밍 기술에 대한 질문에 답합니다. 이 과정을 수강하는 실무 전문가의 지식 수준 및 시간 약속과 인도에서 알고리즘 트레이딩 데스크를 설정하는 것과 관련된 비용에 대한 우려도 해결됩니다. 화자는 프로그램의 가치를 극대화하기 위해 프로그램을 시작하기 전에 핵심 개념에 대한 기본적인 이해가 중요하다고 강조합니다.
연사는 알고리즘 거래와 관련된 다양한 질문에 답하며 주식 시장에 대한 지식이 부족한 개인이 과정을 진행하기 전에 이러한 영역에 대한 기본적인 이해를 얻을 수 있도록 안내를 위해 판매 전문가에게 문의할 수 있다고 제안합니다. 그들은 알고리즘 거래가 자신의 거래에서 규율을 보장하고 여러 상품을 포함하도록 전략을 확장하려는 개별 거래자에게 유용하다고 설명합니다. 연사는 또한 한 과정에서 다른 과정으로 전환하는 것과 알고 거래 서비스를 제공하는 인도의 중개인에 대한 우려를 다룹니다. 마지막으로 그들은 거래소에서의 서버 코로케이션이 알고리즘 거래자에게 과도한 이점을 제공하지 않지만 더 타이트한 입찰-매도 스프레드를 제공함으로써 소매 거래자에게 이익이 된다고 설명합니다.
연사는 소매 거래자를 위한 알고리즘 거래의 이점과 기술이 손실을 최소화하는 데 어떻게 도움이 되는지에 대해 논의합니다. 그들은 알고리즘 거래를 위해 Python을 배우는 비프로그래머와 인도 거주자가 글로벌 시장에서 거래할 수 있는지 여부에 대한 질문을 다룹니다. 그들은 그들의 회사가 중개 또는 알고리즘 거래 플랫폼을 제공하기보다는 주로 교육에 초점을 맞추고 있음을 분명히 합니다. 연사는 그들의 프로그램이 30개국 이상에서 수백 명의 참가자를 도왔다고 강조하고 관심 있는 개인이 비즈니스 개발 및 영업 팀에 연락하여 자세한 정보를 얻도록 권장합니다.
발표자는 모든 전략이 거래소의 승인을 받아야 하는지 여부와 전략을 보호하는 방법을 포함하여 시청자의 몇 가지 질문에 답합니다. 그들은 알고리즘 제공자가 거래자의 전략을 볼 수 없으며 거래소는 주로 전략이 시장 혼란을 일으키지 않도록 보장하는 데 관심이 있다고 설명합니다. 그들은 프로그램에 대한 학생 할인을 언급하고 인도의 상품 시장에서 알고 거래의 가용성에 대해 논의합니다. 또한 역할에 따라 HFT 프로필에서 선형 대수 및 확률 분포의 중요성을 강조하고 알고 거래가 옵션 및 외환을 포함한 모든 거래 상품에 전 세계적으로 적용될 수 있음을 강조합니다.
연사는 코딩 전략, 재사용 가능한 코드 제공, Python 및 R 학습의 필요성에 대해 논의합니다. 그들은 또한 전략 검증, 잠재적 ROI 및 적절한 수의 거래자에게 필요한 인프라에 관한 질문에 답합니다. 연사는 다른 사람들과 전략을 공유하는 것에 대해 주의를 기울이고 모범 사례를 배우고 고유한 거래 전략 아이디어를 개발하는 데 집중할 것을 제안합니다.
연사는 전략 백테스팅을 위한 이상적인 시간 프레임, 중간 규모 거래에 필요한 최소 인터넷 대역폭, 중개 획득을 우회하는 방법을 포함하여 알고리즘 거래에 대한 다양한 질문에 답합니다. 그들은 또한 인도에서 알고리즘 거래를 위한 최고의 공급업체와 Elliot 파동 이론과 같은 임의 거래 전략을 프로그래밍할 수 있는지 여부에 대해 논의합니다. 연사는 프로그래밍에 익숙하고 명확한 규칙을 염두에 둔다면 모든 전략을 코딩할 수 있다고 제안합니다. 그들은 트레이더에게 개별 요구 사항과 각 벤더의 장단점에 따라 벤더를 선택하도록 조언합니다.
결론적으로 연사는 참석자들에게 감사를 표하고 추가 지원을 제공합니다. 시간 관계상 모든 질문에 답할 수는 없었지만 연사는 청중이 질문을 보내도록 독려하고 Quant Institute 팀의 연락처 정보를 제공합니다. 그들은 알고리즘 거래에 대한 관심에 감사를 표하고 이 분야에서 지속적인 학습과 연습의 중요성을 강조합니다.
00:00:00 발표자가 알고리즘 거래에 대한 유익한 세션을 소개하고 시청자를 환영합니다. 그들은 알고리즘 거래 부문에 대한 관심 증가와 그것이 수년 동안 미친 영향에 대해 감사를 표합니다. 발표자는 세션에서 연설할 IH 및 Quant Institute의 공동 설립자인 Nitesh를 소개합니다. Nitesh는 금융 시장에 대한 풍부한 경험을 가지고 있으며 초보자를 위한 알고리즘 거래, 추세 및 기회에 대한 개요를 제공할 것입니다. 연사는 또한 알고리즘 거래의 인기 증가와 향후 5년 동안 전 세계적으로 10% 이상의 CAGR 예상 성장률을 보여주는 최근 뉴스 기사를 강조합니다.
00:05:00 연사는 전 세계적으로 두 자릿수 백분율로 빠르게 확장되고 있는 영역인 알고리즘 거래의 성장과 기회에 대해 논의합니다. 발표자는 주식 및 상품 시장 모두에서 증가하는 알고리즘 거래량을 강조하는 다양한 거래소의 데이터를 제시합니다. 알고리즘 거래의 정의는 빠른 속도와 빈도로 이익을 창출하기 위해 거래 주문을 하기 위해 정의된 지침 세트를 따르도록 프로그래밍된 컴퓨터를 사용하는 프로세스로 제공됩니다. 기술의 개입은 알고리즘 거래, 특히 거래 전략이 돈을 버는 이유의 최대 60-70%를 차지하는 고주파 거래에서 중요한 측면으로 강조됩니다.
00:10:00 연사는 기술, 인프라 및 전략을 포함하는 알고리즘 거래의 주요 측면에 대해 논의합니다. 알고리즘 트레이딩에서 기술의 역할은 테크노크라트와 기술 지향적인 트레이더가 선두를 달리는 오늘날의 세계에서 두드러집니다. 인프라는 큰 역할을 하며 사용되는 인프라 유형이 트레이더의 성공 확률을 정의합니다. 마지막으로 거래 전략은 돈을 버는 것이며 거래자의 성공 확률의 30-70%를 차지합니다. 연사는 아이디어 구상에서 모델링, 최적화, 실행에 이르기까지 다양한 전략 개발 단계를 설명합니다.
00:15:00 연사는 최적화, 테스트 및 실행과 관련된 알고리즘 거래의 단계를 설명합니다. 그들은 실행으로 이동하기 전에 일관된 출력을 보장하기 위해 모델의 입력 변수를 최적화하는 것의 중요성을 강조합니다. 또한 실행을 자동화할 때 발표자는 잠재적인 위험에 대해 경고하고 안전을 보장하고 운영 위험을 방지하기 위한 위험 관리 시스템의 필요성을 강조합니다. 그들은 통계적으로 큰 이득과 거래당 높은 수익으로 이어지는 다리에 대한 견적을 제안합니다.
00:20:00 막대한 손실 가능성 및 운영 위험 관리의 중요성과 같은 알고리즘 거래와 관련된 위험에 대해 논의합니다. 고속 회선과 코로케이션을 포함하여 알고리즘 거래에 필요한 인프라도 강조됩니다. 알고리즘 거래 데스크를 설정하는 실제 단계로 이동하면 회원 자격을 얻거나 브로커와 계정을 개설하여 시장 접근이 중요한 첫 번째 단계입니다. 라이센스 요구 사항은 규제 기관에 따라 다를 수 있습니다. 올바른 알고리즘 거래 플랫폼을 선택하는 것은 궁극적으로 실행할 전략에 달려 있습니다.
00:25:00 연사는 알고리즘 거래 플랫폼과 사용 중인 전략 유형에 따라 하나를 선택하는 방법에 대해 논의합니다. 저주파 거래 전략의 경우 브로커는 종종 다양한 프로그래밍 언어용 API 코드를 사용하여 자동화된 거래를 허용하는 무료 웹 기반 플랫폼을 제공합니다. 대기 시간에 더 민감한 사람들을 위해 배포 가능한 플랫폼을 월 수백 달러에 사용할 수 있습니다. 연사는 또한 사용되는 인프라 유형이 배치되는 전략 유형에 따라 달라지며, 고주파 데이터 및 분석에는 최고 수준의 성능을 위한 서버가 필요하다고 언급했습니다.
00:30:00 연사는 알고리즘 거래에 필요한 다양한 유형의 액세스 및 인프라와 이것이 다양한 규정 및 기술에 어떻게 의존할 수 있는지에 대해 논의합니다. 대기 시간, 주문 라우팅 라인 및 시장 데이터와 같은 고려 사항과 함께 공동 위치 및 근접 호스팅의 개념을 설명합니다. 전략 최적화를 위한 우수한 데이터베이스 및 분석을 보유하는 것의 중요성도 강조되며, 특히 많은 양의 틱 단위 데이터를 처리할 때 더욱 그렇습니다. 이러한 도구에 대한 액세스 비용과 다양한 거래 전략에 필요한 데이터 사용 정도도 살펴봅니다.
00:35:00 연사는 알고리즘 거래가 데이터를 처리하고 모델을 구축하기 위해 R 또는 Matlab과 같은 Excel보다 더 정교한 도구가 필요하다고 설명합니다. 자동화는 또한 더 많은 규정 준수 및 감사 요구 사항을 가져오며 이는 전 세계적으로 추세입니다. 알고리즘 트레이더는 거래를 감사할 수 있고 코드와 전략에 엣지 케이스나 폭주 케이스가 없으며 에티켓 보호 장치가 있는지 확인해야 합니다. 또한 트레이더는 분석, 기술 및 금융 시장에 대한 기본적인 이해를 갖춘 팀이 필요하며 이 세 가지 모두를 전문으로 하는 팀원이 최소 한 명 이상 있어야 합니다. 연사는 이것을 숫자 계산, 패턴 인식, 타이핑 속도, 금융 시장 이해 및 규율이 필수적이었던 기존의 거래 성공 비결과 비교합니다.
00:40:00 발표자가 알고리즘 트레이딩을 사용한 퀀트 트레이딩의 성공 비법에 대해 논의합니다. 재무 컴퓨팅뿐만 아니라 강력한 수학적 및 통계적 이해가 필요합니다. 하드웨어 기능과 네트워크가 거래 성공에 어떻게 작용하는지에 대한 전반적인 이해와 함께 기술 및 시장 구조에 대한 이해도 필요합니다. 또한 금융 시장에 대한 이해가 필요하며 전략을 코딩하고 모델링하는 방법을 아는 것이 추가 이점입니다. 더 높은 주파수 상점을 설정하는 사람들에게는 이러한 모든 요소가 중요합니다. 연사는 특히 재무 분야의 대부분의 개인이 성공에 필요한 기술에 대한 이해가 부족한 경우 거래 세계에 진출하려는 사람들에게 중요한 EPAT에 주목합니다.
00:45:00 연사는 거래에 필요한 다양한 양적 분석 도구의 기술에 대한 이해 부족을 어떻게 해결했는지에 대해 이야기합니다. epat 임원 프로그램 알고리즘 거래는 알고리즘 거래에 대한 전문 지식을 얻고자 하는 실무 전문가를 위해 만들어졌습니다. 6개월 통합 온라인 프로그램에는 4~4개월 반 동안의 주말 수업과 추가로 1.5~2개월의 프로젝트 작업이 포함되었습니다. 프로젝트 작업은 참여자들이 전문성을 쌓고자 하는 영역에서 전문화를 위한 도구로 작용했습니다. 이 프로그램은 9개의 서로 다른 모듈로 구성되었으며 업계 실무자들이 교육한 자료가 업계의 요구 사항 및 추세에 부합하는지 확인했습니다.
00:50:00 금융 시장 소개, 기본 통계, 파생 상품 및 위험, 고급 통계 및 양적 거래 전략을 시작으로 ePACT 프로그램의 다양한 모듈에 대해 논의합니다. 후자는 다양한 거래 전략을 포함하고 알고리즘 트레이딩 데스크 설정 및 고려해야 할 비즈니스 측면과 같은 비즈니스 환경도 다룹니다. Python을 사용하는 알고리즘 거래 플랫폼은 Python의 기본 사항과 알고리즘 거래 플랫폼을 포함한 다양한 거래 플랫폼에서의 거래 전략 구현을 다루는 프로그램의 모듈이기도 합니다. 이 프로그램에는 프로젝트 작업을 감독할 수 있는 참가자에게 멘토를 할당하는 전문화 역할을 하는 프로젝트가 포함됩니다.
00:55:00 연사는 알고리즘 트레이딩 프로그램의 참가자와 졸업생 모두에게 경력 서비스 팀에서 제공하는 다양한 지원 서비스에 대해 설명합니다. 또한 실습을 통한 학습, 라이브 강의 및 녹화된 강의 이용의 중요성에 대해서도 언급합니다. 또한 발표자는 기업이 지원자에게서 찾고 있는 산업 요구 사항과 프로필을 보여주는 그래프를 제시했습니다. 이 정보는 프로그램이 관련 주제를 다루는지 확인하는 데 도움이 됩니다. 이 프로그램에는 여러 국가의 강사로 업계 리더가 있으며 졸업생은 전 세계 30개국 이상에 기반을 두고 있습니다. 마지막으로 그들은 알고리즘 거래에 대한 인식을 높이기 위해 조직한 다양한 이벤트와 프로그램을 강조했습니다.
01:00:00 발표자는 알고리즘 거래와 관련된 다양한 질문에 답합니다. 그는 미국 시민이 인도에서 거래 계좌를 개설할 수 있지만 관리인을 통해 청산 중개인과 계좌를 개설하는 절차를 따라야 함을 확인했습니다. 연사는 알고 트레이딩 데스크를 차리거나 알고 트레이딩을 시작하려는 사람들에게 Dr. Ap Chan과 Larry Harris의 책을 추천합니다. 그는 또한 무엇보다도 Symphony Fintech, Automated Trading, YouTrade와 같은 알고 거래를 위해 인도에서 사용할 수 있는 다양한 플랫폼에 대해 언급합니다. 그는 사용자가 거래소에서 직접 또는 브로커를 통해 실제 기술 데이터를 얻을 수 있다고 알려줍니다. 또한 그는 학생들이 실제 거래 환경에서 과정에서 개발한 것과 동일한 전략을 사용할 수 있음을 확인합니다.
01:05:00 발표자는 알고리즘 거래에 대한 시청자의 다양한 질문에 답합니다. 발표자는 다양한 도구를 사용하여 전략을 코딩하고 백테스팅할 수 있으며 실시간 거래에 이식하는 것이 어렵지 않다고 설명합니다. 시청자들은 또한 인도 시장에서의 거래에 대한 규제, 규정 준수 및 허가에 대해 묻고 있습니다. 발표자는 적격한 자동 거래 전략을 사용하기 전에 데모가 필요한 거래소의 허가가 필요하다고 설명합니다. 모멘텀 기반, 통계적 차익 거래, 기계 학습 기반 거래 전략과 같은 일부 인기 있는 거래 전략도 논의됩니다.
01:10:00 발표자는 과정에서 다루는 거래 전략 유형에 대해 논의하고 새로운 전략을 제시하는 방법과 이를 테스트하고 실행하는 방법을 배우는 것의 중요성을 강조합니다. 연사는 또한 과정을 수료한 사람들의 직업 전망, 제공되는 평균 급여, 촛대 패턴을 분석하는 데 필요한 프로그래밍 기술과 관련된 질문에 답합니다. 또한 이 과정을 수강하는 실무 전문가에게 필요한 지식 수준과 시간 약속, 인도에서 알고리즘 트레이딩 데스크를 설정하는 것과 관련된 비용에 대한 우려도 해결합니다. 연사는 프로그램에서 최대 가치를 추출하기 위해 프로그램을 시작하기 전에 핵심 개념에 대한 기본적인 이해가 중요함을 강조합니다.
01:15:00 발표자는 알고리즘 거래와 관련된 다양한 질문에 답합니다. 그들은 주식 시장에 대한 지식이 제한적인 사람들이 이러한 영역에 대한 기본 이해를 얻은 다음 코스를 진행할 수 있도록 안내를 위해 영업 전문가에게 문의할 수 있다고 제안합니다. 그들은 거래에서 규율을 보장하고 여러 상품을 포함하도록 전략을 확장하려는 경우 알고 거래가 개별 거래자에게 유용하다고 설명합니다. 연사는 또한 한 코스에서 다른 코스로 이동하는 것과 알고 거래 서비스를 제공하는 인도의 중개인에 관한 우려 사항에 대해 설명합니다. 마지막으로, 그들은 거래소에서의 서버 코로케이션이 알고리즘 거래자에게 과도한 이점을 제공하지 않으며 실제로 더 타이트한 입찰-매도 스프레드를 제공함으로써 소매 거래자에게 이익이 된다고 설명합니다.
01:20:00 연사는 소매 거래자를 위한 알고리즘 거래의 이점과 기술 사용으로 손실을 최소화할 수 있는 방법에 대해 논의합니다. 연사는 또한 프로그래머가 아닌 사람이 알고리즘 거래를 위해 Python을 배울 수 있는지, 인도 거주자가 글로벌 시장에서 거래할 수 있는지 등 참가자의 질문에 답합니다. 또한 화자는 그들의 회사가 중개 또는 알고리즘 거래 플랫폼을 제공하기보다는 주로 교육에 초점을 맞추고 있음을 분명히 합니다. 연사는 그들의 프로그램이 30개국 이상에서 온 수백 명의 참가자를 도왔다고 강조하고 관심 있는 개인이 비즈니스 개발 및 영업 팀에 연락하여 자세한 정보를 얻도록 권장합니다.
01:25:00 연사는 모든 전략이 거래소의 승인을 받아야 하는지 여부와 전략을 보호하는 방법을 포함하여 시청자의 몇 가지 질문에 답합니다. 그들은 알고리즘 제공자가 귀하의 전략을 볼 수 없으며 거래소는 전략이 시장 혼란을 일으키지 않도록 하는 데 더 관심이 있다고 설명합니다. 그들은 또한 프로그램에 대한 학생 할인과 인도의 상품 시장에서 알고 거래의 가용성에 대해 언급합니다. 또한 역할에 따라 HFT 프로필에서 선형 대수 및 확률 분포의 중요성과 알고 거래가 옵션 및 외환을 포함한 모든 거래 상품에 전 세계적으로 적용될 수 있음을 강조합니다.
01:30:00 발표자는 코딩 전략, 재사용 가능한 코드 제공, Python 및 R 학습의 필요성에 대해 논의합니다. 또한 전략 검증, 잠재적 ROI 및 적당한 수의 거래자에게 필요한 인프라에 관한 질문에 답합니다. 연사는 귀하의 전략을 다른 사람과 공유하지 않도록 주의하고 모범 사례를 배우고 자신의 거래 전략 아이디어를 생각해 내는 데 집중할 것을 제안합니다.
01:35:00 연사는 전략 백테스팅을 위한 이상적인 시간 프레임, 적당한 양의 거래에 필요한 최소 인터넷 대역폭, 중개 획득을 우회하는 방법을 포함하여 알고리즘 거래에 대한 다양한 질문에 답합니다. 그들은 또한 인도에서 알고리즘 거래를 위한 최고의 공급업체와 Elliot 파동 이론과 같은 임의 거래 전략을 프로그래밍할 수 있는지 여부에 대해 논의합니다. 연사는 프로그래밍에 익숙하고 명확한 규칙을 염두에 두고 있다면 어떤 전략이든 코딩할 수 있다고 제안합니다. 그들은 트레이더에게 개별 요구 사항과 벤더의 장단점을 기반으로 벤더를 선택하도록 조언합니다.
01:40:00 발표자는 참석자에게 감사를 표하고 추가 지원을 제공함으로써 알고리즘 거래에 대한 유익한 세션을 마무리합니다. 시간 제약으로 모든 질문에 답할 수는 없었지만 연사는 청중이 질문을 보내도록 권장하고 프로그램이나 알고리즘 거래 전반에 관심이 있는 사람들을 위한 연락처 정보를 제공합니다. 연사는 또한 향후 웨비나 계획을 돕기 위해 설문 조사를 통해 참석자들의 피드백을 요청합니다.
Nitesh Khandelwal은 금융 시장에서 다양한 자산군에 걸쳐 다양한 역할을 수행한 풍부한 경험을 제공합니다. 그는 인도에서 알고리즘 트레이딩 기술 및 전략 서비스를 제공하는 평판 좋은 회사인 iRageCapital Advisory Private Limited의 공동 설립자입니다. Nitesh는 iRageCapital 및 QuantInsti의 비즈니스 측면을 추진하는 데 중추적인 역할을 했습니다. QuantInsti에서 파생 상품 및 시장간 연구 교육 부서장을 역임했습니다. 현재 그는 싱가포르의 iRage Global Advisory Services Pte Ltd에서 이사직을 맡고 있습니다. Nitesh는 FX 및 이자율 영역에 대한 전문 지식과 독점 거래 데스크 경험을 바탕으로 은행 재무에 대한 배경 지식을 가지고 있습니다. 그는 IIT Kanpur에서 전기공학 학사 학위를, IIM Lucknow에서 경영학 석사 학위를 받았습니다.
브렉시트(Brexit)와 그로 인한 통화 시장의 변동성과 같은 최근의 글로벌 이벤트는 투자자들 사이에서 상당한 우려를 불러일으켰습니다. 시장 참여자들이 거래 활동에 주의를 기울이기 때문에 이러한 이벤트 이후에 위험 회피가 증가하는 것은 자연스러운 일입니다. 그러나 이러한 격동의 시기에도 자동 거래자는 번창하고 있습니다. 언론 보도에 따르면 알고리즘 거래를 채택한 헤지펀드는 특히 스트레스가 많은 시장 상황에서 지속적으로 수동 거래자를 능가하는 것으로 나타났습니다.
유익한 세션 내용:
시즌 최대 거래 이벤트 분석
브렉시트가 전 세계 다양한 시장 참여자에게 미치는 영향 조사
인도 SEBI의 STT 인상과 같은 거래 비용 증가의 결과 이해
알고리즘 거래 회사가 이러한 이벤트에 어떻게 대응했는지 살펴보기
퀀트/알고 트레이더가 되기 위한 요건
이 분야에서 야심 찬 트레이더를 위한 업계 요구 사항 식별
성공하는 데 필요한 필수 기술과 지식 강조
이러한 기술을 개발하는 데 있어 알고리즘 트레이딩에서 Quantinsti의 경영진 프로그램의 이점 설명
트레이딩 전략 개발 회사의 CEO 겸 공동 설립자가 알고 트레이딩에서 AI와 머신 러닝의 흥미로운 잠재력에 대해 설명합니다. 이러한 도구는 대규모 양적 헤지 펀드에 의해 성공적으로 입증되었으며 강력한 수학 또는 컴퓨터 과학 배경이 필요하지 않은 오픈 소스 라이브러리 및 사용자 친화적인 도구 덕분에 접근성이 크게 향상되었습니다. 발표자는 또한 알고리즘 거래의 맥락에서 AI 및 기계 학습과 관련된 주요 용어를 소개합니다. 인공 지능은 환경을 인식하고 성공을 극대화하기 위해 조치를 취하는 지능형 에이전트에 대한 연구로 정의됩니다. AI의 하위 집합인 기계 학습은 명시적인 프로그래밍 없이 학습하고 예측할 수 있는 알고리즘에 중점을 둡니다. 기계 학습의 한 분야인 패턴 인식은 데이터에서 패턴을 발견하는 것과 관련되며, 연관 규칙 학습은 이러한 패턴을 기반으로 if-then 문을 형성하는 것과 관련됩니다. 발표자는 4개의 V(볼륨, 속도, 다양성, 진실성)로 특징지어지는 빅 데이터의 개념에 대해 간략하게 언급합니다.
발표자는 빅데이터, 진실성, 인공지능, 머신러닝, 패턴인식, 데이터 마이닝 등 논의할 용어와 개념을 설명한다. 그런 다음 알고리즘 거래 전략을 구축할 때 모범 사례와 일반적인 함정을 탐구합니다. 여기에는 성공을 위한 가시적 목표 정의, 복잡성보다 단순성을 우선시, 단일 모델에 의존하는 대신 강력한 프로세스 및 워크플로 생성에 집중, 편향된 결과를 피하기 위해 전체 프로세스에서 건전한 회의주의를 유지하는 것이 포함됩니다.
연사는 계속해서 기계 학습이 거래 전략 구축을 위한 지표 및 데이터 세트 선택 문제를 해결할 수 있는 방법에 대해 논의합니다. 최적의 데이터 분할을 검색하여 중요한 지표를 식별하는 기술로 결정 트리 및 랜덤 포레스트를 도입합니다. 랜덤 포레스트는 결정 트리보다 더 복잡하지만 더 견고하고 강력한 것으로 알려져 있습니다. 발표자는 또한 "래퍼"라는 기술을 사용하여 표시기 세트를 결합하여 보다 강력한 조합을 생성할 수 있는 방법을 탐구합니다.
다음으로 발표자는 알고리즘 거래 전략에서 기술 지표의 사용과 기본 패턴 및 추세를 식별하는 이점에 대해 논의합니다. 기계 학습을 기반으로 지표 매개 변수를 최적화하는 문제가 제기되고 여러 분류기를 결합하여 데이터를 분석하고 다양한 패턴과 정보를 발견하는 앙상블 학습 개념이 도입됩니다. 기계 학습에서 특징 선택과 특징 추출 간의 차이점도 언급되며 여러 분류기를 사용할 때 곡선 맞춤을 염두에 두어야 합니다.
발표자는 거래 전략에 대한 해석 가능성을 유지하면서 기계 학습 알고리즘을 활용하는 방법으로 패턴 인식과 연관 규칙 학습의 조합을 시연합니다. 그들은 서포트 벡터 머신을 사용하여 3주기 RSI와 공개 가격과 Aussie USD의 50주기 SMA 사이의 가격 차이 사이의 관계를 분석하는 예를 제공합니다. 명확한 패턴은 거래 규칙으로 변환됩니다. 그러나 그들은 고차원 데이터 분석, 자동화 과제 및 출력 해석과 같은 이 방법의 한계를 인정합니다. 연사는 이러한 문제를 해결하고 트레이더가 원하는 지표로 알고리즘을 활용할 수 있는 가능한 솔루션으로 트레이드를 소개합니다.
발표자는 클라우드 기반 거래 플랫폼을 사용하여 거래 전략을 구축하는 방법을 시연합니다. 그들은 5년간의 데이터를 사용하여 일일 차트에서 Aussie USD를 거래하기 위한 전략을 구축하는 예를 사용합니다. 곡선 맞춤을 피하기 위해 알고리즘은 2015년 1월 1일까지만 훈련되며 테스트를 위해 1년 동안 샘플 외 데이터를 남겨둡니다. 편향된 백테스팅을 피하기 위해 이 샘플 외 데이터를 낭비하지 않는 것의 중요성이 강조됩니다. 지표 분석 및 패턴 식별을 위해 기계 학습 알고리즘을 사용하는 것은 거래 전략을 최적화하기 위한 유연하고 강력한 접근 방식으로 제시됩니다.
발표자는 Trade-Ideas의 플랫폼과 오픈 소스 지표 라이브러리 TA Lib를 사용하여 거래 전략을 구축하는 프로세스를 시연하면서 계속됩니다. 그들은 5년 동안 Aussie USD의 가격 움직임을 분석하고, 강한 신호가 있는 범위를 식별하고, 지표 범위를 선택하고 그 관계를 기록하여 장기 투자 규칙을 구체화합니다. 50주기 SMA에 상대적인 가격 규칙을 추가하여 강력한 신호로 두 개의 서로 다른 범위를 식별합니다. Trade-Ideas를 사용하면 기계 학습 알고리즘 결과를 분석하고 더 명확한 해석을 위해 히스토그램에서 직접 규칙을 구축할 수 있다는 이점이 강조됩니다.
발표자는 올바른 지표 선택 및 강력한 짧은 신호를 찾기 위한 규칙 수정을 포함하여 거래 전략을 위한 짧은 규칙을 구축하는 절차에 대해 논의합니다. 최적의 전략을 찾기 위해 지표로 다양한 패턴을 테스트하고 탐색하는 것이 강조됩니다. 거래 비용을 포함하여 MetaTrader4에서 코드 생성 및 샘플 외 전략 테스트도 시연됩니다. 발표자는 접근 방식이 알고리즘 거래와 관련이 있음을 확인합니다.
발표자는 전략 수립 과정에서 사용되지 않은 가장 최근의 out-of-sample 데이터를 기반으로 구축된 전략을 테스트하는 방법을 설명합니다. 시뮬레이션은 인기 있는 통화 및 주식 거래 플랫폼인 MetaTrader를 사용하여 수행됩니다. 플랫폼의 활성 개발자 커뮤니티는 자동화된 전략, 맞춤형 지표를 생성하고 동일한 데이터를 테스트하고 거래할 수 있는 훌륭한 기회를 제공합니다. 시뮬레이션의 초점은 샘플 외 데이터에 대한 전략의 성능을 평가하는 것입니다. 연사는 이 도구가 중개업체에 직접 화이트 라벨을 지정하여 무료로 사용할 수 있도록 계획하는 스타트업에서 개발했다고 언급합니다.
연사는 백테스팅 후 위험 및 자금 관리 기술을 전략에 통합하는 방법을 설명합니다. 손실을 줄이고 하락 위험으로부터 보호하는 방법으로 간단한 이익 실현 및 손절매 조치가 논의됩니다. 커브 피팅을 방지하기 위해 발표자는 라이브로 전환하기 전에 다양한 빈 선택, 샘플 외 테스트 및 데모 계정의 사용을 강조합니다. 거래 전략에서 블랙박스 신경망보다 단순성과 투명성에 대한 선호도 언급됩니다.
프레젠테이션 중에 발표자는 플랫폼을 Quanto Pian 또는 Quanto Connect와 같은 다른 플랫폼과 비교하는 것과 관련된 질문에 답하며 플랫폼이 기존 전략을 자동화하는 것보다 전략 발견 및 분석에 더 중점을 두고 있음을 강조합니다. 자동화된 전략에서 기술 데이터의 중요성을 인정하는 동시에 해당 플랫폼에는 감정 지표와 같은 다른 데이터 세트가 포함된다는 점에 주목합니다. MetaTrader 4는 유용한 도구로 시연되며 거래에서 위험 및 자금 관리 전략의 중요성에 대해 논의합니다. 연사는 자동 거래 전략의 모범 사례와 일반적인 함정도 다룹니다.
발표자는 거래 전략에서 지표 사용에 대해 논의하고 복잡성과 과대적합 사이의 균형을 강조합니다. 그들은 충분한 정보를 포함하는 것과 과적합을 피하는 것 사이의 균형을 맞추기 위해 전략당 3~5개의 지표를 사용할 것을 권장합니다. 알고리즘에 입력된 데이터 또는 기능의 중요성과 출력이 구현되는 방법이 강조 표시됩니다. 기본 알고리즘은 사용된 지표 및 구현보다 덜 중요한 것으로 간주됩니다. MetaTrader 4의 유전자 최적화 도구 사용에 대한 질문과 지표를 플랫폼과 정렬하는 것의 중요성도 다루어집니다.
연사는 가치 투자에 기계 학습을 적용하는 방법을 탐구합니다. 앞서 알고리즘 거래에 대해 논의한 것과 동일한 프로세스를 가치 투자에 적용할 수 있지만 기술 지표 대신 회사의 고유 가치를 정량화하는 데이터 세트가 사용됩니다. 예를 들어, 시가 총액 또는 주가 수익 비율은 이러한 데이터와 자산의 가격 움직임 사이의 관계를 나타낼 수 있습니다. 거래당 수익을 최적화하고 알고리즘이 시장과 동기화되지 않는 시기를 식별하는 것도 논의됩니다. Python과 R은 코딩 경험과 배경에 따라 적합한 프로그래밍 언어로 권장됩니다.
마지막으로 연사는 금융과 기술을 결합하는 알고리즘 거래에 필요한 필수 기술과 지식을 강조합니다. 시장에 대한 이해, 빅데이터 통계, 전략 자동화 기술이 중요합니다. 양적 교육 프로그램은 성공적인 알고리즘 거래자가 되기 위한 다양한 운영 및 기술에 필요한 교육을 습득하는 수단으로 제안됩니다. Python은 알고리즘 구축을 위한 훌륭한 옵션으로 권장됩니다.
00:00:00 트레이딩 전략 개발 회사의 CEO 겸 공동 설립자가 AI와 머신 러닝이 알고 트레이딩을 위한 흥미로운 도구인 이유와 대규모 퀀트 헤지 펀드에서 어떻게 성공적으로 입증되었는지 설명합니다. 그는 또한 강력한 수학 또는 컴퓨터 과학 배경이 필요하지 않은 오픈 소스 라이브러리 및 도구로 인해 이러한 도구의 접근성이 크게 증가했다고 강조합니다. 이 섹션에서는 거래자 및 퀀트가 이러한 기술을 적용하기 위한 기본 용어 및 모범 사례와 거래 결과를 개선하기 위한 특정 응용 프로그램도 다룹니다.
00:05:00 화자는 알고리즘 거래와 관련하여 인공 지능 및 기계 학습과 관련된 주요 용어에 대한 정의를 제공합니다. 인공 지능은 환경을 인식하고 성공 가능성을 극대화하기 위해 조치를 취하는 지능형 에이전트에 대한 연구로 정의됩니다. AI의 하위 집합인 기계 학습은 명시적인 프로그래밍 없이 학습하고 예측할 수 있는 알고리즘에 중점을 둡니다. 패턴 인식은 데이터에서 패턴을 발견하는 데 중점을 둔 기계 학습의 한 분야이며 연관 규칙 학습에는 이러한 패턴을 if-then 문으로 형식화하는 작업이 포함됩니다. 마지막으로 발표자는 빅 데이터에 대해 간략하게 언급하면서 볼륨, 속도, 다양성 및 진실성의 4V를 따른다고 말합니다.
00:10:00 발표자는 빅 데이터, 진실성, 인공 지능, 기계 학습, 패턴 인식 및 데이터 마이닝을 포함하여 프레젠테이션에서 논의될 일부 용어와 개념에 대해 설명합니다. 그런 다음 연사는 계속해서 알고리즘 거래 전략을 구축할 때 피해야 할 몇 가지 모범 사례와 일반적인 함정을 제공합니다. 여기에는 가시적인 목표로 성공을 정의하고, 복잡성보다 단순함을 우선시하고, 단일 모델이 아닌 강력한 프로세스 및 워크플로를 만드는 데 집중하고, 긍정적인 결과에 대한 편향을 피하기 위해 전체 프로세스에서 건전한 회의론을 갖는 것이 포함됩니다.
00:15:00 연사는 기계 학습이 거래 전략을 수립할 때 사용할 지표와 데이터 세트를 파악하는 문제를 해결하는 데 어떻게 도움이 될 수 있는지 논의합니다. 발표자는 데이터 세트를 가장 잘 분할하는 지표와 값을 검색하여 지표를 선택하는 데 결정 트리와 랜덤 포레스트를 사용할 수 있는 방법을 설명합니다. 트리 맨 위에 있는 지표가 더 중요하고 데이터 집합과 더 높은 관계를 갖습니다. . 화자는 또한 Random Forest가 의사 결정 트리보다 강력하고 강력하지만 더 복잡하다고 언급합니다. 또한 발표자는 래퍼라는 기술을 사용하여 표시기 세트를 함께 사용하여 더 강력한 조합을 만드는 방법을 탐색합니다.
00:20:00 연사는 알고리즘 거래 전략에서 기술적 지표의 사용과 기본 패턴 및 추세를 식별할 때 제공하는 이점에 대해 논의합니다. 또한 기계 학습을 기반으로 지표 매개변수를 최적화할 수 있는지 여부에 대한 질문을 다루고 다양한 패턴과 정보를 찾기 위해 여러 분류기를 결합하고 데이터를 분석하는 앙상블 학습의 사용을 강조합니다. 그런 다음 스피커는 머신 러닝에서 특징 선택과 특징 추출의 차이점에 대해 언급하고 여러 분류기를 사용할 때 곡선 맞춤을 의식하는 것의 중요성을 인정합니다.
00:25:00 발표자는 기계 학습 알고리즘을 활용하는 동시에 출력을 해석하고 거래 전략에 적용할 수 있는 방법으로 패턴 인식과 연관 규칙 학습의 조합에 대해 논의합니다. 그들은 서포트 벡터 머신을 사용하여 3주기 RSI와 Aussie USD의 공개 가격과 50주기 SMA 사이의 가격 차이 사이의 관계를 분석하는 예를 제공합니다. 결과는 거래 규칙으로 변환되는 명확한 패턴을 생성했습니다. 이 방식은 트레이더가 자신의 직관과 경험을 활용할 수 있게 해주지만, 높은 차원의 데이터 분석, 자동화 및 결과 해석의 어려움과 같은 몇 가지 단점도 있습니다. 거래는 이러한 문제를 해결하고 거래자가 이러한 알고리즘을 활용하여 원하는 지표를 분석할 수 있는 가능한 솔루션으로 제시됩니다.
00:30:00 발표자는 클라우드 기반 거래 플랫폼에서 거래 전략을 구축하는 방법을 시연합니다. 주어진 예는 지난 5년간의 데이터를 사용하여 일일 차트에서 Aussie USD를 거래하기 위한 전략을 구축하는 것입니다. 커브 피팅을 피하기 위해 알고리즘은 2015년 1월 1일까지만 훈련되며 이전에 본 적이 없는 전략을 테스트하기 위해 1년 동안 샘플 외 데이터를 남깁니다. 발표자는 특정 데이터 세트에서 잘 수행되는 백 테스트를 선택하는 편향을 피하기 위해 이 샘플 외 데이터를 낭비하지 않는 것의 중요성을 강조합니다. 기계 학습 알고리즘을 사용하여 지표를 분석하고 기본 패턴을 찾는 것은 거래 전략을 최적화하는 보다 유연하고 강력한 방법입니다.
00:35:00 발표자는 Trade-Ideas의 플랫폼과 오픈 소스 지표 라이브러리 TA Lib를 사용하여 거래 전략을 구축하는 방법을 보여줍니다. 그들은 5년 동안 Aussie USD의 가격 움직임을 분석하는 것으로 시작하여 알고리즘이 강력한 신호를 찾을 수 있었던 범위를 식별합니다. 그들은 지표 범위를 선택하고 그들 사이의 관계에 주목하여 오래 가는 규칙을 구체화합니다. 50주기 SMA에 상대적인 가격 규칙을 추가함으로써 거래 알고리즘이 강한 신호를 발견한 두 가지 다른 범위를 볼 수 있습니다. Trade-Ideas를 사용하는 장점은 기계 학습 알고리즘의 결과를 분석하여 가장 강력한 신호가 있는 위치를 찾고 히스토그램에서 직접 규칙을 작성하여 규칙이 말하는 내용을 정확히 볼 수 있다는 것입니다.
00:40:00 발표자는 올바른 지표 선택 및 강력한 짧은 신호를 찾기 위한 규칙 수정을 포함하여 거래 전략을 위한 짧은 규칙을 구축하는 절차에 대해 논의합니다. 발표자는 최상의 전략을 찾기 위해 지표로 다양한 패턴을 테스트하고 탐색하는 것의 중요성을 강조합니다. 그런 다음 거래 비용을 통합할 수 있는 기능과 함께 MetaTrader4에서 코드 생성 및 샘플 외 전략 테스트로 논의가 진행됩니다. 발표자는 접근 방식이 알고리즘 거래임을 확인합니다.
00:45:00 발표자는 전략 구축 프로세스에서 사용되지 않은 가장 최근의 샘플 외 데이터를 기반으로 구축한 전략을 테스트하는 방법을 설명합니다. 시뮬레이션은 통화 및 주식 거래를 위해 MetaTrader라는 유명한 거래 플랫폼에서 실행되고 있습니다. 이 플랫폼에는 자동화된 전략, 맞춤형 지표를 개발하고 거래에 사용되는 것과 동일한 데이터로 분석 및 거래를 테스트할 수 있는 훌륭한 기회를 제공하는 활발한 개발자 커뮤니티가 있습니다. 시뮬레이션의 초점은 샘플 외 데이터에서 전략의 성능을 테스트하는 것입니다. 이 도구는 중개업체에 직접 화이트 라벨을 지정하여 무료로 제공할 계획인 신생 기업에서 개발했습니다.
00:50:00 발표자가 백테스팅 후 위험 및 자금 관리 기술을 전략에 통합하는 방법을 설명합니다. 간단한 이익실현과 손절매를 추가하면 손실을 크게 줄이고 하방 위험으로부터 보호할 수 있습니다. 그런 다음 연사는 알고리즘 거래에서 커브 피팅을 방지하는 방법에 대한 질문에 답합니다. 과적합을 방지하기 위해 발표자는 라이브로 전환하기 전에 광범위한 빈 선택, 샘플 외 테스트 및 데모 계정 사용을 강조합니다. 마지막으로 발표자는 거래 전략을 위한 블랙박스 신경망보다 단순성과 투명성을 개인적으로 선호한다고 언급했습니다.
00:55:00 연사는 기존 전략 자동화에 더 중점을 두는 반면 플랫폼은 전략 발견 및 분석에 더 중점을 두는 Quanto Pian 또는 Quanto Connect와 같은 다른 플랫폼과 플랫폼을 비교하는 방법에 대한 질문에 답합니다. 그들은 또한 자동화된 전략에서 기술 데이터의 중요성에 대해 논의했지만 그들의 플랫폼에는 감성 지표와 같은 다른 데이터 세트도 포함되어 있음을 강조했습니다. 또한 발표자는 MetaTrader 4의 사용을 시연하고 거래에서 위험 및 자금 관리 전략의 중요성에 대해 논의했습니다. 마지막으로 발표자는 자동 거래 전략의 모범 사례와 일반적인 함정에 대해 논의했습니다.
01:00:00 연사는 거래 전략에서 지표의 사용과 복잡성과 과대적합 사이의 균형에 대해 논의합니다. 그들은 많은 정보를 포함하는 것과 과적합 사이의 균형을 맞추기 위해 전략당 3~5개의 지표를 사용할 것을 권장합니다. 발표자는 또한 알고리즘에 입력되는 데이터 또는 기능의 중요성과 출력이 구현되는 방법에 대해 논의합니다. 그들은 기본 알고리즘에 관한 것이 아니라 사용되는 지표와 구현 방법에 관한 것이라고 강조합니다. 연사는 또한 Metatrader4의 유전자 최적화 프로그램 사용에 대한 질문과 플랫폼에서 사용하는 것과 동일한 지표를 사용하는 것의 중요성에 대해 설명합니다.
01:05:00 발표자가 가치 투자를 위한 기계 학습 사용에 대해 논의합니다. 이전에 알고리즘 거래에 대해 논의한 것과 동일한 프로세스를 가치 투자에 사용할 수 있지만 투자자는 기술 지표 대신 회사의 내재 가치를 정량화하는 데 중요한 데이터 세트를 사용합니다. 예를 들어, 투자자는 시가 총액 또는 주가 수익 비율을 사용하여 이러한 데이터와 기본 자산의 가격 변동 간의 관계를 확인할 수 있습니다. 연사는 또한 거래당 수익을 최적화하는 방법과 알고리즘이 시장과 동기화되지 않는 시기를 파악하는 방법에 대해 논의합니다. 마지막으로 연사는 Metatrader 학습의 용이성에 대해 논의하고 Python과 R 모두 코딩 경험과 배경에 따라 기계 학습을 위한 훌륭한 라이브러리를 가지고 있다고 언급합니다.
01:10:00 연사는 금융과 기술을 결합한 알고리즘 거래에 필요한 기술과 지식에 대해 논의합니다. 성공적인 거래 전략을 설계하려면 시장, 빅 데이터 통계 및 전략을 자동화하는 기술을 이해해야 합니다. 양적 교육 프로그램은 성공적인 알고리즘 트레이더가 되기 위해 필요한 다양한 작업 및 기술에 대한 교육을 제공할 수 있습니다. Python은 또한 알고리즘을 구축하려는 사람들에게 훌륭한 옵션으로 권장됩니다.
Trading Technologies의 ADL®로 나만의 알고리즘 구축
Trading Technologies의 ADL®로 나만의 알고리즘 구축
Trading Technologies의 자동 거래 도구 제품 관리자인 Andrew Reynolds는 거래 알고리즘의 개발 프로세스를 단순화하기 위한 획기적인 솔루션으로 ADL(Algo Design Lab)을 소개합니다. ADL 이전에는 자체 알고리즘을 만드는 데 관심이 있는 트레이더는 코딩을 배워야 했으며, 이는 시간이 많이 걸리고 개발 주기가 길었습니다. 그러나 ADL은 트레이더가 코드를 한 줄도 작성하지 않고도 알고리즘을 설계하고 배포할 수 있는 직관적인 그래픽 도구를 제공하여 프로세스를 혁신합니다. 이것은 기술 능력 측면에서 진입 장벽을 크게 낮추고 거래자가 시장 기회를 신속하게 활용할 수 있게 합니다. ADL은 설계된 알고리즘을 함께 배치된 고성능 서버에서 실행되는 잘 테스트된 코드로 변환하여 최적의 성능을 보장합니다.
Reynolds는 계속해서 ADL의 주요 특징과 기능을 설명합니다. ADL 캔버스는 다양한 거래 개념과 작업을 나타내는 다양한 블록으로 구성된 작업 공간 역할을 합니다. 트레이더는 이러한 블록을 쉽게 드래그 앤 드롭하여 알고리즘을 생성할 수 있으며 각 블록에는 특정 속성이 있으며 다른 블록과 연결하여 원하는 논리를 정의할 수 있습니다. 그룹 블록을 사용하면 특정 로직을 캡슐화하고 향후 재사용을 위해 라이브러리 블록으로 저장할 수 있습니다. 구성을 강화하기 위해 책갈피를 추가할 수 있으며 블록 및 섹션을 빠르게 탐색할 수 있는 검색 메커니즘을 사용할 수 있습니다. ADL은 예측 기술을 통합하여 잠재적인 블록 연결을 감지하여 개발 프로세스를 더욱 가속화합니다.
프레젠테이션이 계속되는 동안 강사는 ADL을 사용하여 알고리즘을 단계별로 생성하는 방법을 시연합니다. 이 플랫폼은 효율적인 개발을 돕기 위해 실시간 피드백과 사용자 친화적인 기능을 제공합니다. 강사는 알고리즘에 진입측 논리를 추가한 다음 퇴장측 논리를 통합하고 마지막으로 진입측 논리와 퇴장측 논리를 모두 포함하는 알고리즘을 생성하는 방법을 보여줍니다. 주문 블록, 메시지 정보 추출기, 필드 블록 및 경고 블록과 같은 다양한 블록을 사용하여 알고리즘의 원하는 기능을 정의합니다. 데모 전반에 걸쳐 강사는 점프 블록이 제공하는 가독성 및 사용자 정의 옵션을 강조하여 트레이더가 선호도에 따라 알고리즘을 조정할 수 있도록 합니다.
그런 다음 강사는 기존 주문에 알고리즘 논리를 적용하여 필요에 따라 가격, 수량, 중지 가격 및 공개 수량을 조작할 수 있는 유연성을 제공하는 주문 관리 알고(OMA)를 소개합니다. 입찰 드리프터 전략을 구현하는 방법을 설명하고 주문이 채워질 때까지 간격을 두고 점진적으로 가격을 높입니다. 강사는 ADL이 의도하지 않은 동작과 무한 루프를 방지하도록 설계되어 사용자의 안전과 예상되는 동작을 보장한다고 강조합니다. 또한 ADL은 손익 위험 블록 기능을 통합하여 거래자가 사전 정의된 손실 임계값을 설정하고 손실이 지정된 금액을 초과하면 자동으로 알고리즘을 중지할 수 있습니다.
발표자는 ADL을 사용한 알고리즘의 시작 및 모니터링에 대해 논의합니다. Algol 시작은 프런트 엔드 Auto Trader algo 대시보드, 주문서 또는 MD Trader 내의 다양한 위젯에서 시작할 수 있습니다. MD 트레이더 래더에서 직접 클릭 한 번으로 시작하는 기능이 강조 표시되어 트레이더가 손쉽게 상품을 선택하고 알고 매개변수를 수정할 수 있습니다. ADL은 또한 도구를 기반으로 코로케이션 시설을 선택할 수 있는 기능을 제공하며 거래자는 프런트 엔드에서 직접 알고리즘의 진행 상황을 모니터링할 수 있습니다. 또한 플랫폼은 알고리즘을 시작할 때 각 상품에 대해 서로 다른 계정을 지정하여 유연성과 계정 관리 옵션을 향상시킵니다.
발표자들은 ADL 관련 주제를 논의하기 위한 지원 포럼을 포함하여 Trading Technologies 웹 사이트에서 ADL에 대해 자세히 알아볼 수 있는 리소스의 가용성을 강조합니다. 그들은 ADL 내에서 기록 데이터를 추출하고 기본 제공 연구를 수행할 수 있는 분석 블록의 향후 추가에 대해 청중에게 알립니다. 사용자는 알고리즘 내에서 직접 과거 데이터를 사용하여 맞춤형 연구를 구축할 수 있습니다. 발표자들은 Trading Technologies가 브로커 중립적이어서 플랫폼을 지원하는 모든 브로커에 연결할 수 있음을 강조합니다. 가격 세부 정보도 언급되며 스태커 출력 알고리즘 유형이 일반적인 사용 사례로 식별됩니다.
연사는 ADL을 사용하여 알고리즘 작성의 다양성에 대해 탐구하고 각 트레이더가 알고리즘 거래에 고유한 "비밀 소스"를 가져올 수 있음을 강조합니다. 그들은 인기 있는 알고리즘 전략에 대한 추가 정보와 통찰력을 얻기 위한 훌륭한 리소스로 Trading Technologies 커뮤니티 포럼을 추천합니다. 오토트레이더를 사용한 단일 클릭 시작의 이점이 설명되어 트레이더가 여러 거래를 동시에 모델링할 수 있습니다. 또한 모바일 앱에서 ADL 대시보드를 사용할 수 있어 트레이더가 원격으로 알고리즘을 일시 중지하고 다시 시작할 수 있다고 언급합니다.
프레젠테이션은 TradeTT 사이트의 무료 데모 계정을 통해 ADL 플랫폼에 액세스하는 방법에 대한 논의로 진행되어 즉각적인 액세스와 플랫폼의 기능을 탐색할 수 있는 기회를 제공합니다. ADL은 주요 거래소와 공동 위치하여 사용자가 다양한 거래를 실험할 수 있는 gen-pop 서버를 포함하여 다양한 위치에 있는 시설에 위치한 서버 풀을 제공한다는 점이 강조됩니다. 발표자들은 웹 서비스와 API에 대해서도 언급하면서 TT REST API의 출시와 외환 거래를 위한 ADL 플랫폼의 유용성을 언급합니다.
외환 거래 옵션과 관련하여 연사는 외환 거래소와 직접 연결할 즉각적인 계획은 없지만 CME에서 외환 기능을 사용할 수 있으며 NYSE는 현물 외환 계약을 제공한다고 분명히 밝힙니다. 청중이 제품 향상을 추적하고 다루는 포럼에 참여하도록 권장합니다. 결론에는 백 프로그램의 미리 보기와 웨비나 세션을 마치기 전에 참석자에게 설문 조사 양식을 작성하라는 요청이 포함됩니다.
양적금융 | 기계 학습 소개 | 수량학 | 에릭 해머
양적금융 | 기계 학습 소개 | 수량학 | 에릭 해머
Quantiacs의 CTO인 Eric Hamer가 헤지 펀드 산업의 민주화를 목표로 하는 Quantiacs와 Quantinsti의 파트너십을 소개합니다. 이 협업은 Quantiacs의 오픈 소스 도구 및 데이터를 사용하여 학생들에게 실용적인 기술을 갖추도록 교육 세션을 제공합니다. Quantiacs는 알고리즘을 개발하는 양적 분석가와 자본을 연결하는 크라우드 소싱 헤지 펀드 역할을 하며 Quantinsti는 알고리즘 거래 과정을 제공합니다. Hamer는 참여하는 퀀트가 Quantiacs 경쟁에서 경쟁할 수 있으며 여기에서 투자 자본과 이익의 일부를 얻을 수 있는 기회가 있다고 강조합니다.
Hamer는 Quantiacs가 코더의 알고리즘을 자본 시장에 연결하여 전략이 성공할 경우 Quantiacs와 Quantiacs 모두에게 이익이 되는 방법을 자세히 설명합니다. Quantiacs는 다운로드 가능한 MATLAB 및 Python용 데스크탑 툴킷, 샘플 거래 전략 및 1990년 이후의 무료 종가 선물 데이터를 제공하여 양적 거래를 촉진하기 위해 노력하고 있습니다. Quantiacs는 또한 고객의 알고리즘 개선을 지원하기 위해 거시 경제 지표를 통합했습니다. 또한 Quantiacs는 사용자가 무료로 알고리즘을 제출하고 평가할 수 있는 온라인 플랫폼을 제공합니다. 현재 선물에 중점을 두고 있는 Quantiacs는 잠재적으로 미래의 주식 시장에 대해 비교 가능한 데이터를 제공하는 것을 목표로 합니다.
연사는 Quantiacs 플랫폼에서 거래 전략의 두 가지 주요 기능인 비용 함수와 거래 시스템에 대해 설명합니다. 비용 함수는 특정 날짜의 고가와 저가 간 차이의 5%를 활용하여 거래 비용과 수수료를 설명합니다. 반면에 거래 시스템에서는 사용자가 가격 정보를 요청하고 포트폴리오 할당을 결정하는 가중치 벡터 또는 매트릭스를 제공할 수 있습니다. Quantiacs는 전역 변수의 사용을 권장하지 않으며 필요한 상태 정보를 유지하기 위한 설정 매개변수를 제공합니다. Hamer는 연간 수익률이 2.5%인 간단한 거래 전략의 예를 제공합니다. 전략의 결과물에는 주식 곡선, 롱 포지션과 숏 포지션의 성과, 개별 선물 성과가 포함됩니다. Quantiacs는 긍정적인 성과, 낮은 변동성 및 위험 조정 수익률을 측정하는 샤프 비율을 기반으로 전략을 평가합니다.
Hamer는 기계 학습의 개념과 양적 금융에서의 응용 프로그램을 소개합니다. 그는 미국 증권 거래소 거래의 상당 부분(약 85%~90%)이 컴퓨터로 생성된다는 점을 강조합니다. 회귀, 분류 및 클러스터링과 같은 기계 학습 기술은 현장에서 점점 더 널리 보급되고 있습니다. Hamer는 기계 학습과 관련된 몇 가지 함정에 대해 논의하면서 과도한 거래 없이 위험 조정 수익을 극대화하는 것의 중요성을 강조합니다. 신경망은 뛰어난 결과를 낼 수 있지만 실행 시간이 길어질 수 있으며 기존 CPU 아키텍처가 최적이 아닐 수 있습니다. 그러나 고성능 GPU를 사용할 수 있으므로 실행 시간이 크게 단축됩니다. Python 및 MATLAB과 같은 오픈 소스 라이브러리가 존재하지만 기계 학습 알고리즘을 설정하고 교육하는 것은 노력과 노력이 필요한 복잡한 프로세스일 수 있습니다.
Hamer는 문제 설명을 지정하고 기계 학습 문제의 유형을 식별하는 것부터 시작하여 기계 학습 프로세스에 대해 자세히 설명합니다. 그는 기계 학습에서 숫자 데이터에 대한 요구 사항을 설명하고 모델 교육 및 평가를 위해 각각 데이터를 교육 및 테스트 세트로 나누는 것에 대해 설명합니다. Hamer는 Quantiacs Python API를 활용하여 미니 S&P 500 선물 계약을 예측하고 Keras 신경망 API를 사용하여 결과를 표시하는 방법을 보여주는 예를 제공합니다.
미래 주가 예측을 위해 만든 기계 학습 모델의 한계는 Hamer가 논의합니다. 모델이 처음에는 가격을 정확하게 예측하는 것처럼 보일 수 있지만 자세히 살펴보면 오늘의 데이터를 내일 데이터의 프록시로 사용하고 있음을 알 수 있습니다. 동일한 알고리즘을 원시 데이터 반환에 적용할 때 모델의 예측은 유사한 모양을 따르지만 실제 값과 동일한 크기는 아닙니다. Hamer는 거래 데이터에 적용했을 때 모델의 열악한 성능을 보여주고 개선을 위한 잠재적인 방법을 탐색합니다. 또한 거래 시스템 기능에 사용되는 소스 코드에 대한 간략한 개요도 제공합니다.
Hamer는 S&P 500 선물 수익률을 예측하기 위한 순차적인 Keras 모델 생성을 시연합니다. 모델은 기본 구조로 시작하여 특정 레이어를 통합합니다. Hamer는 실제 가격 데이터로 구성된 훈련 데이터를 사용하여 모델을 훈련하고 y 값은 예측할 반품 데이터를 나타냅니다. 훈련을 마치면 Hamer는 설정에서 모델을 추출하고 이를 사용하여 최신 데이터를 기반으로 수익을 예측할 수 있습니다. 단순한 S&P 500 미니 모델은 성능이 좋지 않지만, Hamer는 경사 하강법 및 부스팅과 같은 적절한 기술과 최적화가 문제를 해결할 수 있다고 설명합니다.
Hamer는 양적 금융에서 기계 학습 알고리즘의 유효성을 향상시키는 기술에 대해 논의합니다. 그는 통찰력을 얻기 위해 데이터의 여러 하위 집합에서 알고리즘을 실행하는 것과 관련된 부트스트랩 집계 기술을 사용할 것을 제안합니다. 전략을 단순하게 유지하고 여러 예측을 활용하여 합의에 도달하고 과적합, 데이터 정리, 누락된 데이터 및 임의 변수 처리에 주의하는 것도 권장됩니다. Hamer는 기계 학습과 인공 지능이 계속해서 금융 시장을 예측하는 데 중요한 도구가 될 것이라고 믿습니다.
연사는 기계 학습에 대한 전용 세션을 제공하는 EpAT 및 ConTA 과정을 소개합니다. EpAT는 알고리즘 또는 양적 거래 분야에서 성장을 추구하는 전문가를 대상으로 하며, ConTA는 Python으로 기계 학습을 사용하여 회귀 기술을 구현하는 자습 과정을 제공합니다. Hamer는 기계 학습을 위한 R과 Python 중 선택에 관한 질문에 응답하고 대체 데이터 세트를 테스트할 때 과적합을 피하는 방법에 대한 조언을 제공합니다. 그는 교육 및 테스트 데이터 모두에서 모델을 교육하고 과적합을 방지하기 위해 두 세트 간의 오류 차이를 조사할 것을 제안합니다.
Hamer는 알고 거래를 위한 머신 러닝에서 과적합의 위험을 강조하고 정확도 테스트를 위해 부트스트랩 집계 또는 배깅 기술을 사용하여 데이터 세트를 더 작은 하위 집합으로 분할할 것을 제안합니다. 재무 데이터의 잡음과 변동으로 인해 50% 이상의 정확도는 좋은 것으로 간주될 수 있습니다.
마지막으로 Hamer는 거래 전략을 자동화하기 위해 기술을 이해하는 것의 중요성을 강조합니다. 그는 알고리즘 트레이더로서 성공하는 데 필요한 다양한 기술에 대한 교육을 제공하는 교육 프로그램의 필요성을 강조합니다.
긍정적인 성과, 낮은 변동성 및 위험 조정 수익률을 측정하는 샤프 비율을 기반으로 합니다.
혼합 모델을 사용하여 시장 바닥을 예측할 수 있습니까? 브라이언 크리스토퍼 - 2017년 4월 25일
혼합 모델을 사용하여 시장 바닥을 예측할 수 있습니까? 브라이언 크리스토퍼 - 2017년 4월 25일
양적 연구원이자 Python 개발자인 Brian Christopher는 전통적인 시계열 분석의 한계에 대한 포괄적인 프레젠테이션을 제공하고 수익 예측 및 시장 체제 식별을 위한 유망한 대안으로 혼합 모델, 특히 숨겨진 Markov 모델(HMM)을 소개합니다. 그는 재무 예측에 필수적인 비정적 데이터와 대략적인 비선형 분포를 처리할 수 있는 모델의 필요성을 강조합니다.
Christopher는 혼합 모델, 특히 HMM을 사용하여 각 체제에 대한 관련 평균 및 분산과 함께 자산의 가장 가능성 있는 체제를 추정하는 방법을 탐구합니다. 그는 계산 클래스 매개변수와 우도 데이터 평가 사이를 번갈아 가며 수행하는 계산 프로세스를 설명합니다. 잘 알려진 혼합 모델인 가우시안 혼합 모델(GMM)은 각 영역이 가우시안 분포를 따른다고 가정합니다. Christopher는 수렴할 때까지 확률 및 영역 매개변수를 계산하기 위해 기대값 최대화 알고리즘을 사용하는 방법을 보여줍니다. 이를 설명하기 위해 그는 스파이 ETF의 저변동성, 중립성, 고변동성 체계를 분류한 예를 보여줍니다.
다음으로 Christopher는 GMM이 비정적 및 비선형 데이터 세트를 처리하여 기존 시계열 분석의 한계를 극복하는 방법에 대해 자세히 설명합니다. 그는 자산수익률과 미 국채 10년~3개월 스프레드 등 4가지 팩터를 활용해 시퀀스 수익률과 매개변수를 추정하는 장난감 전략을 제시한다. GMM은 적합하고 예측하는 데 사용되며 특정 제도의 평균과 분산을 결정하기 위해 마지막 제도 레이블의 추정치를 추출합니다. 정규 분포를 가정하는 대신 Johnson su 분포는 데이터의 비선형 특성을 설명하는 전략의 일부로 활용됩니다.
발표자는 신뢰 구간을 벗어나는 수익이 이상치라는 가정을 기반으로 시장 바닥을 예측하는 전략에 대해 논의합니다. 1,000개의 샘플을 통해 99% 신뢰 구간을 구성함으로써 낮은 신뢰 구간 아래의 수익은 이상치로 간주됩니다. Christopher는 특정 일수 동안 ETF에서 롱 포지션 또는 매수 포지션을 취한다고 가정하고 이상치 이벤트 이후의 수익률을 분석합니다. 이 모델은 변화하는 변동성에 적응하며 전체 정확도는 약 73%이지만 주식 곡선은 매수 후 보유 전략만큼 잘 수행되지 않습니다. Christopher는 프레젠테이션에 사용된 데이터 세트가 GitHub에서 제공되므로 청중이 직접 데이터를 탐색하도록 권장합니다.
Christopher는 다양한 ETF의 시장 바닥을 예측하기 위해 혼합 모델을 사용한 분석을 공유합니다. 그는 다양한 룩백 및 보유 기간에 걸쳐 각 ETF의 중간 수익률 분포를 조사합니다. SPY, Triple Q 및 TLT는 다양한 차원에서 일관되게 뛰어난 성능을 보이는 반면 GLD, EFA 및 EEM은 보다 대칭적인 분포를 나타냅니다. 그는 또한 1보다 큰 값을 성공적인 것으로 간주하여 0보다 큰 이벤트의 총 수익을 0보다 작은 수익으로 나눈 값을 측정하는 합계 비율을 평가합니다. SPY, Triple Q 및 TLT는 여러 차원과 룩백 기간에 걸쳐 강력한 성능을 보여줍니다. 그러나 Christopher는 보유 기간이 길수록 전체 시장 추세에 더 많은 영향을 받을 수 있다고 경고합니다.
발표자는 시장 바닥을 예측하기 위해 혼합 모델을 사용하여 시장에서 다양한 자산의 성과에 대해 논의합니다. SPY, Triple Q, TLT, GLD와 같은 자산은 단계 수 또는 룩백 기간과 같은 변수에 따라 잘 작동하는 것으로 연구에서 밝혀졌습니다. 그러나 특정 자산의 성과는 보유 기간이 길어질수록 악화됩니다. 이 연구는 다양한 구성 요소에 대한 중간 수익을 평가하고 EEM 및 Aoife와 같은 자산에 대한 유망한 결과를 식별합니다. 적절한 샘플링 분포의 중요성을 강조하고 Johnson su 분포를 사용하는 것이 효과적인 것으로 나타났습니다. 전반적으로 시장 바닥을 예측하기 위해 혼합 모델을 활용하는 전략은 설득력이 있는 것으로 입증되었습니다.
Christopher는 GMM이 SPY, Triple Q 및 TLT와 같은 자산에서 지속적으로 성공을 거두었지만 동등하거나 더 나은 성과를 내는 대체 전략이 있다고 설명합니다. 모델 러너 클래스의 코드와 GMM 구성 요소를 구현하는 모델 실행 편의 기능에 대해 간략하게 설명합니다. 그는 이 모델이 앞을 내다보는 편향을 피하기 위해 앞으로 나아가는 방식으로 구현되었다고 강조합니다. 또한 Christopher는 GitHub에서 HDF5 형식으로 사용한 데이터를 제공합니다.
발표자는 혼합 모델 전략의 효과를 평가하기 위해 출력된 데이터를 구성하고 분석하는 방법을 설명합니다. 메트릭과 평균을 평가하기 위해 다양한 슬라이싱 및 그룹화 기술을 사용할 수 있습니다. Johnson su 분포는 수익률 시리즈의 변화하는 변동성에 적응하는 데 사용되며 정규 분포와 비교됩니다. 크리스토퍼는 정규 분포의 정확도가 좋지 않으며 단순히 시장을 유지하는 것이 더 유리할 수 있다고 제안합니다. 그러나 그는 개인이 GitHub에서 데이터를 탐색하도록 권장하고 질문을 해결하거나 웨비나에 참여할 것을 제안합니다.
Q&A 세션에서 Christopher는 혼합 모델을 사용하여 시장 바닥을 예측하는 방법에 대한 웨비나에 대한 청중의 질문에 답변합니다. 그는 대략적인 매개변수 검색을 통해 Johnson 분포의 모양 매개변수를 결정했으며 결과를 광범위하게 조사하지 않았다고 설명합니다. 그는 또한 미국 기반 자산 수익률을 예측하는 모델의 성공을 향상시키기 위해 미국 기반 이자 또는 고정 수입 지표를 포함하는 것을 강조하면서 자신의 모델에 유용한 요소를 선택한 방법에 대해 설명합니다.
Christopher는 가격 대신 수익에 대한 GMM의 적용, 가격을 사용할 때의 규모 문제, 여러 요인의 편향-분산 문제, 룩백과 백테스팅 간의 유사성에 관한 추가 청중 질문을 다룹니다. 그는 더 넓은 범위의 자산에서 더 예측 가능한 요인 조합에 대한 추가 탐색과 연구를 제안합니다. 그는 또한 과적합을 방지하기 위해 GMM 구성 요소 수에 대한 자연스러운 제한을 설정하는 것의 중요성을 강조합니다. Christopher는 추가 질문 및 세부 사항에 대해 청중이 그에게 연락하도록 초대합니다.
Arnav Sheth - 2017년 3월 7일의 이론에서 실제까지 내포된 변동성
Arnav Sheth - 2017년 3월 7일의 이론에서 실제까지 내포된 변동성
변동성에 대한 폭넓은 지식을 갖춘 존경받는 교수인 Arnav Sheth가 "Implied Volatility From Theory to Practice"라는 제목의 웨비나의 연사로 무대에 올랐습니다. 호스트는 Sheth를 소개하며 그의 책 출판과 컨설팅 및 분석 플랫폼 설립을 포함하여 해당 분야에 대한 그의 전문 지식을 강조합니다. 이 웨비나는 참석자들에게 내재 변동성, 다양한 유형의 변동성, 내재 변동성을 이용하는 거래 전략, 추가 탐색을 위해 사용 가능한 온라인 리소스 및 CBOE(Chicago Board Options Exchange) 지수에 대한 포괄적인 이해를 제공하는 것을 목표로 합니다.
Sheth는 과거 및 내재 변동성과 같은 다양한 변동성을 다루는 간결한 옵션 개요를 제공하는 것으로 시작합니다. 그는 하나의 거래 전략에 대해 자세히 살펴보고 몇 가지 CBOE 지수에 대해 논의하여 적용에 대한 실질적인 통찰력을 제공합니다. 역사적인 맥락을 제공하기 위해 Sheth는 기원전 500년경에 최초로 기록된 옵션 계약으로 거슬러 올라가 옵션의 기원을 공유합니다. 그는 풍성한 수확 기간 동안 모든 올리브 압착기에 대한 독점권을 확보한 수학자이자 철학자 탈레스의 이야기를 들려줍니다. 이 이야기는 옵션 거래의 초기 징후를 보여줍니다.
옵션의 현대적 정의로 이동하면서 Sheth는 콜 옵션의 개념을 명확하게 설명하고 기본 자산의 미래에 대한 투기 또는 헤징을 허용하는 계약으로 설명합니다. 콜옵션은 수취인에게 계약을 종료할 수 있는 권리를 제공하지만 의무는 제공하지 않는다는 점을 강조합니다. Sheth는 계속해서 콜 및 풋 옵션 거래의 기본 사항을 설명하면서 콜 옵션은 구매자에게 지정된 가격으로 기초 자산을 살 수 있는 권리를 부여하는 반면 풋 옵션은 구매자에게 미리 결정된 가격으로 기초 자산을 팔 수 있는 권리를 부여한다는 점을 강조합니다. 가격. 그는 옵션 거래가 제로섬 게임이라는 점을 강조합니다. 즉, 모든 승자에게는 패자가 있기 때문에 총 이익과 손실은 0이 됩니다. Sheth는 기본 주식을 소유하지 않고 콜 옵션을 매도하는 위험에 대해 경고하지만 주식을 소유하고 있는 경우 콜 옵션을 매도하면 위험을 완화하는 데 도움이 될 수 있다고 지적합니다.
Sheth는 롱 콜, 숏 콜, 롱 풋 및 숏 풋 옵션을 다루는 옵션 계약에 대해 자세히 설명합니다. 그는 잠재적인 손익 결과를 설명하고 초보자를 위한 "네이키드 옵션" 거래에 참여하지 않도록 주의합니다. 더욱이 그는 이익 대 이익을 계산할 때 화폐의 시간 가치를 설명하는 것의 중요성을 강조합니다. Sheth는 유럽식 옵션과 미국식 옵션을 구분하여 유럽식 옵션은 만기 시에만 행사할 수 있는 반면 미국식 옵션은 언제든지 행사할 수 있다고 설명합니다. 그는 Black-Scholes-Merton 가격 책정 모델을 소개하면서 이 섹션을 마무리합니다. 그는 이를 "차입 주식 매입"에 비유합니다.
그런 다음 BSM(Black-Scholes-Merton) 모델과 기본 가정으로 초점이 이동합니다. Sheth는 이러한 가정 중 하나를 강조하면서 수익률의 변동성은 알려져 있고 옵션의 수명 동안 일정하게 유지된다고 말합니다. 그는 역사적 자산 수익률의 표준 편차를 나타내는 역사적 변동성에 대해 계속 논의합니다. Sheth는 옵션의 잠재적인 수익성을 예측하는 것이 중요하다고 설명하면서 변동성이 높을수록 자산이 "인 더 머니"로 끝날 확률이 높아져 옵션 가격이 높아진다고 강조합니다.
다음으로 Sheth는 내재 변동성과 시장 옵션을 사용하는 Black-Scholes 모델의 리버스 엔지니어링 변동성에서의 역할을 탐색합니다. 내재 변동성은 시장의 예상 변동성으로 해석되며 시장 옵션 가격을 기준으로 계산됩니다. Sheth는 내재 변동성을 추정하기 위해 30일 만기 등가격 S&P 500 옵션을 활용하는 VIX를 소개합니다. VIX는 옵션 만기 기간 동안 시장이 예상하는 변동성을 측정합니다. 그는 거래자들이 종종 옵션 가격에서 파생된 내재 변동성을 사용하여 그 반대가 아니라 옵션 가격을 책정한다고 지적합니다. Sheth는 서로 다른 행사가가 동일한 기본 자산과 관련되어 있는 경우 내재 변동성이 일정하게 유지되어야 한다고 강조합니다.
Sheth는 계속해서 옵션 가격 책정의 변동성 스큐 개념을 설명합니다. 그는 행사 가격이 다양해짐에 따라 내재 변동성이 과거 변동성과 어떻게 달라지며 변동성 왜곡이 발생하는지 보여줍니다. Sheth는 스큐가 1987년 이후에 나타났으며 옵션 가격에 반영되므로 트레이더에게 기회를 제공한다고 강조합니다. 그는 내재 변동성과 실현 변동성의 차이를 나타내는 "변동성 위험 프리미엄"이라는 용어를 도입했습니다. 이 프리미엄은 거래 전략에서 악용될 수 있습니다. Sheth는 Black-Scholes 모델이 주로 옵션 가격 책정에 사용되지만 내재 변동성을 얻는 데 더 일반적으로 사용된다고 설명합니다.
옵션 시장의 내재 변동성 계산은 다음 논의 주제가 됩니다. Sheth는 트레이더가 기본 자산에 대한 특정 옵션의 시장 가치를 활용하고 이러한 가치를 Black-Scholes 모델에 입력하여 변동성을 리버스 엔지니어링하는 방법을 설명합니다. 그런 다음 내재 변동성은 특정 기간(종종 30일) 동안 옵션 시장의 예상 변동성으로 해석됩니다. Sheth는 변동성 위험 프리미엄의 개념을 도입하여 옵션 시장이 실제 변동성을 과대평가하는 경향이 있음을 보여줍니다. 그는 변동성 프리미엄의 빈도 분포를 제시함으로써 이 섹션을 마무리합니다.
연사는 스트래들 매도 개념에 초점을 맞춰 내재 변동성을 기반으로 한 거래 전략에 대해 자세히 설명합니다. Sheth는 내재 변동성이 일반적으로 실현 변동성보다 높기 때문에 옵션 가격이 너무 비싸다고 강조합니다. 결과적으로 이 전략에는 스트래들 매도와 변동성에 대한 공매도가 포함됩니다. 이러한 전략과 관련된 위험을 평가하기 위해 Sheth는 위험 평가를 위한 프레임워크를 제공하는 그리스 측정을 도입했습니다. 그는 등가격 스트래들 구매와 관련된 예시 시나리오를 제공하고 기본 주가를 기반으로 한 손익 결과에 대해 논의합니다. Sheth는 주가가 크게 변동하면 옵션 가격이 더 이상 변동성에 민감하지 않을 수 있다고 경고하면서 결론을 내립니다.
비디오는 주가 변동에 대한 헤지로 옵션 사용에 대해 논의합니다. Sheth는 콜과 풋을 동시에 구매하거나 주가에 가장 가까운 둘을 매도함으로써 델타 중립성을 달성할 수 있지만 vega는 완전히 헤지할 수 없다고 설명합니다. 그런 다음 Sheth는 변동성 프리미엄을 활용하는 편리한 방법으로 CBOE 지수를 소개합니다. 특히 커버드 콜 전략이 포함된 BXM(월간 매수) 지수와 BFLY 아이언 버터플라이 옵션을 언급합니다. 그는 소유 주식에 대해 커버드 콜을 작성하면 기본 주식을 단독으로 보유하는 것과 관련된 위험을 줄일 수 있지만 콜될 경우 주식을 잃을 가능성도 수반한다고 설명합니다. 마지막으로 Sheth는 S&P 500에 대해 3개의 행사가로 4개의 옵션을 사고 파는 철 나비 전략을 설명합니다.
웨비나가 끝날 무렵 Sheth는 외가격 풋 및 외가격 콜 구매와 관련된 전략을 제시합니다. 이 전략은 리버스 스트래들과 유사한 짧은 변동성 포지션을 초래하지만 이익 잠재력을 높이기 위해 약간 과장된 보상을 제공합니다.
기초 및 양적 분석을 위해 금융 시장 데이터를 사용하는 방법 - 2017년 2월 21일
기초 및 양적 분석을 위해 금융 시장 데이터를 사용하는 방법 - 2017년 2월 21일
스피커:
수익성 있는 거래 방법을 배우고, 고주파 데이터 분석을 둘러싼 문제를 이해하고, 선물 거래의 기회와 문제를 발견하고, 가장 인기 있는 거래 전략 중 하나인 쌍 거래에 대한 단계별 자습서의 라이브 데모를 봅니다. 전략!
알고리즘 거래에 대한 유익한 세션
알고리즘 거래에 대한 유익한 세션
알고리즘 트레이딩에 관한 유익한 세션의 시작에서 발표자는 이 영역에 대한 관심 증가에 감사를 표하고 수년 동안 이것이 미친 영향이 컸음을 인정합니다. 그들은 IH와 Quant Institute의 공동 설립자인 Nitesh를 세션의 발표자로 소개합니다. Nitesh는 금융 시장에서 풍부한 경험을 가지고 있는 것으로 묘사되며 특히 초보자를 위한 알고리즘 거래, 추세 및 기회에 대한 개요를 제공할 것입니다. 연사는 알고리즘 거래의 인기가 높아지고 있으며 향후 5년 동안 전 세계적으로 10% 이상의 CAGR로 예상되는 성장률을 보여주는 최근 뉴스 기사를 강조합니다.
연사는 알고리즘 거래의 성장과 기회에 대해 자세히 설명하며 전 세계적으로 두 자릿수 비율로 급속한 확장을 강조합니다. 그들은 다양한 거래소의 데이터를 제시하여 주식 및 상품 시장에서 증가하는 알고리즘 거래량을 보여줍니다. 알고리즘 거래를 정의하기 위해 그들은 정의된 명령 세트로 프로그래밍된 컴퓨터를 사용하여 이익 창출을 목표로 고속 및 빈도로 거래 주문을 하는 프로세스로 설명합니다. 알고리즘 거래에서 기술의 중요한 역할은 특히 거래 전략 수익성의 상당 부분(최대 60-70%)을 차지하는 고주파 거래에서 강조됩니다.
알고리즘 트레이딩의 주요 측면으로 이동하면서 연사는 기술, 인프라 및 전략에 대해 논의합니다. 그들은 오늘날의 알고리즘 거래 세계에서 기술 관료와 기술 지향적 거래자들이 앞장서는 기술의 두드러진 역할을 강조합니다. 인프라는 거래자의 성공 확률을 정의하는 중요한 요소로 식별되며 사용되는 인프라 유형의 중요성을 강조합니다. 마지막으로 연사는 트레이딩 전략 자체가 궁극적으로 수익성과 성공을 결정하는 것이며 트레이더의 전체 성공 확률의 30-70%를 차지한다고 설명합니다. 아이디어화, 모델링, 최적화 및 실행을 포함하여 전략 개발의 다양한 단계를 설명합니다.
최적화, 테스트 및 실행과 같은 알고리즘 거래의 단계는 연사가 설명합니다. 그들은 실행을 진행하기 전에 일관된 출력을 보장하기 위해 거래 모델의 입력 변수를 최적화하는 것이 중요하다고 강조합니다. 또한 실행을 자동화할 때 발표자는 잠재적인 위험에 대해 주의를 기울이고 안전을 보장하고 운영 위험을 방지하기 위한 강력한 위험 관리 시스템의 필요성을 강조합니다. 그들은 다리의 견적이 통계적으로 큰 이익과 거래당 높은 수익으로 이어진다고 언급합니다.
상당한 손실 가능성을 포함하여 알고리즘 거래와 관련된 위험에 대해 논의하고 운영 위험 관리의 중요성을 강조합니다. 연사는 또한 더 빠른 실행을 가능하게 하는 고속 라인 및 콜로케이션과 같은 알고리즘 거래에 필요한 인프라를 강조합니다. 알고리즘 트레이딩 데스크를 설정하는 실제 단계를 설명합니다. 회원 가입 또는 브로커 계정 개설을 통한 시장 접근부터 시작합니다. 연사는 라이센스 요구 사항이 규제 기관에 따라 다를 수 있다고 언급합니다. 올바른 알고리즘 거래 플랫폼을 선택하는 것이 중요하며 실행할 특정 전략에 따라 다릅니다.
연사는 알고리즘 거래 플랫폼과 전략 유형에 따른 선택에 대해 논의합니다. 저주파 거래 전략의 경우 브로커는 종종 다양한 프로그래밍 언어로 된 API 코드를 사용하여 자동 거래를 허용하는 무료 웹 기반 플랫폼을 제공합니다. 대기 시간에 대한 민감도를 높이기 위해 배포 가능한 플랫폼을 월 수백 달러의 비용으로 사용할 수 있습니다. 연사는 또한 사용되는 인프라 유형이 전략에 따라 다르며, 고주파 데이터 및 분석에는 최고 수준의 성능 서버가 필요하다고 강조합니다.
발표자는 다양한 규제 및 기술을 고려하여 알고리즘 거래에 필요한 다양한 유형의 액세스 및 인프라에 대해 자세히 설명합니다. 대기 시간, 주문 라우팅 라인 및 시장 데이터와 같은 요소를 강조하면서 공동 위치 및 근접 호스팅의 개념을 설명합니다. 강력한 데이터베이스와 전략 최적화를 위한 분석의 중요성은 특히 많은 양의 틱 단위 데이터를 처리할 때 강조됩니다. 이러한 도구에 대한 액세스 비용과 다양한 거래 전략에 필요한 데이터 사용 수준을 살펴봅니다.
발표자는 알고리즘 거래가 데이터 처리 및 모델 구축을 위해 R 또는 Matlab과 같은 Excel보다 더 정교한 도구를 요구한다고 설명합니다. 또한 글로벌 추세인 자동화와 함께 증가하는 규정 준수 및 감사 요구 사항도 언급합니다. 거래자들은 그들의 거래가 감사 가능하고, 그들의 코드와 전략이 극단적인 경우나 폭주 사례에 대해 적절한 보호를 받고, 에티켓 보호 장치가 있는지 확인하는 것이 좋습니다. 또한 분석, 기술 및 금융 시장에 대한 기본적인 이해를 갖춘 팀을 구성하고 세 가지 영역 모두를 전문으로 하는 팀원을 최소 한 명 이상 두는 것이 좋습니다. 이것은 숫자 계산, 패턴 인식, 타이핑 속도, 금융 시장 이해 및 규율과 같은 기술이 필요한 기존의 거래 성공 비결과 비교됩니다.
연사는 알고리즘 트레이딩을 활용한 퀀트 트레이딩의 성공 비법에 대해 논의합니다. 그들은 강력한 수학적 및 통계적 이해와 재무 컴퓨팅의 숙련도에 대한 필요성을 강조합니다. 하드웨어 기능과 네트워크가 거래 성공에 어떤 역할을 하는지에 대한 전반적인 이해와 함께 기술 및 시장 구조를 이해하는 것이 중요합니다. 금융 시장에 대한 이해도 필수적이며 전략을 코딩하고 모델링하는 방법을 아는 것은 추가적인 이점입니다. 더 높은 주파수 상점을 설정하는 사람들에게는 이러한 모든 요소가 중요합니다. 연사는 특히 금융 분야의 많은 개인이 성공에 필요한 기술 이해가 부족하기 때문에 거래 세계에 입문하는 개인에게 EPAT의 중요성을 강조합니다.
화자는 거래에 필요한 양적 분석 도구 중 기술에 대한 이해 부족을 해결하는 것에 대해 이야기합니다. 그들은 알고리즘 거래에 대한 전문 지식을 얻고자 하는 실무 전문가를 위한 ePACT(알고리즘 거래의 집행 프로그램)의 생성을 언급합니다. ePACT 프로그램은 4개월에서 4개월 반 동안의 주말 수업과 추가로 1.5개월에서 2개월의 프로젝트 작업이 포함된 6개월 통합 온라인 프로그램입니다. 프로젝트 작업을 통해 참가자는 선택한 도메인을 전문화할 수 있습니다. 이 프로그램은 업계 실무자가 가르치는 9개의 서로 다른 모듈로 구성되어 다루는 자료가 업계 요구 및 추세에 부합하는지 확인합니다.
ePACT 프로그램의 다양한 모듈은 금융 시장 소개, 기본 통계, 파생 상품 및 위험, 고급 통계 및 양적 거래 전략으로 시작하여 논의됩니다. 퀀트 트레이딩 전략 모듈은 다양한 트레이딩 전략을 다루며 알고리즘 트레이딩 데스크 설정 및 관련 비즈니스 측면 고려와 관련된 주제도 포함합니다. 이 프로그램은 또한 Python을 사용한 알고리즘 거래 플랫폼의 구현을 다루며 Python의 기초에 대한 지침과 다양한 플랫폼에서 거래 전략을 구현하는 방법을 제공합니다. 참가자에게는 프로젝트 작업을 감독할 멘토가 지정되며, 이는 선택한 영역 내에서 전문 분야 역할을 합니다.
연사는 알고리즘 트레이딩 프로그램의 참가자 및 졸업생에게 커리어 서비스 팀이 제공하는 지원 서비스에 대해 설명합니다. 실습을 통한 학습, 라이브 강의 및 녹화된 강의 이용의 중요성을 강조합니다. 발표자는 프로그램이 관련 주제를 다루도록 보장하기 위해 업계 요구 사항과 회사가 지원자에게 찾고 있는 프로필을 보여주는 그래프를 제시합니다. 그들은 이 프로그램에 다른 국가의 강사로서 업계 리더가 있으며 동창생이 전 세계 30개국 이상에 기반을 두고 있다고 언급합니다. 알고리즘 트레이딩에 대한 인식 제고를 위해 연구소에서 기획한 다양한 이벤트와 프로그램도 눈에 띈다.
발표자는 알고리즘 트레이딩과 관련된 시청자의 다양한 질문에 답변을 진행합니다. 그들은 미국 시민이 인도에서 거래 계좌를 개설할 수 있지만 청산 중개인과 계좌를 개설하려면 관리인을 거쳐 특정 절차를 따라야 함을 확인합니다. 연사는 알고리즘 트레이딩 데스크를 설정하거나 알고 트레이딩을 시작하는 데 관심이 있는 사람들을 위해 Dr. Ap Chan과 Larry Harris의 책을 추천합니다. 그들은 또한 Symphony Fintech, Automated Trading 및 YouTrade와 같은 알고리즘 거래를 위해 인도에서 사용할 수 있는 여러 플랫폼을 언급합니다. 실제 기술 데이터는 거래소에서 직접 또는 브로커를 통해 얻을 수 있습니다. 또한 그들은 학생들이 과정에서 개발한 것과 동일한 전략을 취하고 이를 실시간 거래에 적용할 수 있음을 확인합니다.
연사는 계속해서 알고리즘 거래에 대한 시청자의 다양한 질문에 답변합니다. 그들은 다른 도구를 사용하여 전략을 코딩하고 백테스팅하는 것이 가능하며 실시간 거래로 이식하는 것이 어렵지 않다고 설명합니다. 인도 시장에서의 거래에 대한 규정, 준수 및 라이센스에 관한 질문도 다룹니다. 연사는 적합한 자동 거래 전략을 위해 거래소의 허가가 필요하며 데모가 필요하다고 설명합니다. 또한 모멘텀 기반, 통계적 차익 거래 및 기계 학습 기반 전략과 같은 인기 있는 거래 전략에 대해서도 논의합니다.
연사는 코스에서 다루는 거래 전략 유형에 대해 논의하고 새로운 전략을 개발하고 테스트하고 실행하는 방법을 배우는 것의 중요성을 강조합니다. 그들은 과정 졸업생의 직업 전망, 제공되는 평균 급여 및 촛대 패턴을 분석하는 데 필요한 프로그래밍 기술에 대한 질문에 답합니다. 이 과정을 수강하는 실무 전문가의 지식 수준 및 시간 약속과 인도에서 알고리즘 트레이딩 데스크를 설정하는 것과 관련된 비용에 대한 우려도 해결됩니다. 화자는 프로그램의 가치를 극대화하기 위해 프로그램을 시작하기 전에 핵심 개념에 대한 기본적인 이해가 중요하다고 강조합니다.
연사는 알고리즘 거래와 관련된 다양한 질문에 답하며 주식 시장에 대한 지식이 부족한 개인이 과정을 진행하기 전에 이러한 영역에 대한 기본적인 이해를 얻을 수 있도록 안내를 위해 판매 전문가에게 문의할 수 있다고 제안합니다. 그들은 알고리즘 거래가 자신의 거래에서 규율을 보장하고 여러 상품을 포함하도록 전략을 확장하려는 개별 거래자에게 유용하다고 설명합니다. 연사는 또한 한 과정에서 다른 과정으로 전환하는 것과 알고 거래 서비스를 제공하는 인도의 중개인에 대한 우려를 다룹니다. 마지막으로 그들은 거래소에서의 서버 코로케이션이 알고리즘 거래자에게 과도한 이점을 제공하지 않지만 더 타이트한 입찰-매도 스프레드를 제공함으로써 소매 거래자에게 이익이 된다고 설명합니다.
연사는 소매 거래자를 위한 알고리즘 거래의 이점과 기술이 손실을 최소화하는 데 어떻게 도움이 되는지에 대해 논의합니다. 그들은 알고리즘 거래를 위해 Python을 배우는 비프로그래머와 인도 거주자가 글로벌 시장에서 거래할 수 있는지 여부에 대한 질문을 다룹니다. 그들은 그들의 회사가 중개 또는 알고리즘 거래 플랫폼을 제공하기보다는 주로 교육에 초점을 맞추고 있음을 분명히 합니다. 연사는 그들의 프로그램이 30개국 이상에서 수백 명의 참가자를 도왔다고 강조하고 관심 있는 개인이 비즈니스 개발 및 영업 팀에 연락하여 자세한 정보를 얻도록 권장합니다.
발표자는 모든 전략이 거래소의 승인을 받아야 하는지 여부와 전략을 보호하는 방법을 포함하여 시청자의 몇 가지 질문에 답합니다. 그들은 알고리즘 제공자가 거래자의 전략을 볼 수 없으며 거래소는 주로 전략이 시장 혼란을 일으키지 않도록 보장하는 데 관심이 있다고 설명합니다. 그들은 프로그램에 대한 학생 할인을 언급하고 인도의 상품 시장에서 알고 거래의 가용성에 대해 논의합니다. 또한 역할에 따라 HFT 프로필에서 선형 대수 및 확률 분포의 중요성을 강조하고 알고 거래가 옵션 및 외환을 포함한 모든 거래 상품에 전 세계적으로 적용될 수 있음을 강조합니다.
연사는 코딩 전략, 재사용 가능한 코드 제공, Python 및 R 학습의 필요성에 대해 논의합니다. 그들은 또한 전략 검증, 잠재적 ROI 및 적절한 수의 거래자에게 필요한 인프라에 관한 질문에 답합니다. 연사는 다른 사람들과 전략을 공유하는 것에 대해 주의를 기울이고 모범 사례를 배우고 고유한 거래 전략 아이디어를 개발하는 데 집중할 것을 제안합니다.
연사는 전략 백테스팅을 위한 이상적인 시간 프레임, 중간 규모 거래에 필요한 최소 인터넷 대역폭, 중개 획득을 우회하는 방법을 포함하여 알고리즘 거래에 대한 다양한 질문에 답합니다. 그들은 또한 인도에서 알고리즘 거래를 위한 최고의 공급업체와 Elliot 파동 이론과 같은 임의 거래 전략을 프로그래밍할 수 있는지 여부에 대해 논의합니다. 연사는 프로그래밍에 익숙하고 명확한 규칙을 염두에 둔다면 모든 전략을 코딩할 수 있다고 제안합니다. 그들은 트레이더에게 개별 요구 사항과 각 벤더의 장단점에 따라 벤더를 선택하도록 조언합니다.
결론적으로 연사는 참석자들에게 감사를 표하고 추가 지원을 제공합니다. 시간 관계상 모든 질문에 답할 수는 없었지만 연사는 청중이 질문을 보내도록 독려하고 Quant Institute 팀의 연락처 정보를 제공합니다. 그들은 알고리즘 거래에 대한 관심에 감사를 표하고 이 분야에서 지속적인 학습과 연습의 중요성을 강조합니다.
Brexit 및 최근 시장 이벤트가 알고리즘 거래에 미치는 영향 - 2016년 7월 19일
Brexit 및 최근 시장 이벤트가 알고리즘 거래에 미치는 영향 - 2016년 7월 19일
Nitesh Khandelwal은 금융 시장에서 다양한 자산군에 걸쳐 다양한 역할을 수행한 풍부한 경험을 제공합니다. 그는 인도에서 알고리즘 트레이딩 기술 및 전략 서비스를 제공하는 평판 좋은 회사인 iRageCapital Advisory Private Limited의 공동 설립자입니다. Nitesh는 iRageCapital 및 QuantInsti의 비즈니스 측면을 추진하는 데 중추적인 역할을 했습니다. QuantInsti에서 파생 상품 및 시장간 연구 교육 부서장을 역임했습니다. 현재 그는 싱가포르의 iRage Global Advisory Services Pte Ltd에서 이사직을 맡고 있습니다. Nitesh는 FX 및 이자율 영역에 대한 전문 지식과 독점 거래 데스크 경험을 바탕으로 은행 재무에 대한 배경 지식을 가지고 있습니다. 그는 IIT Kanpur에서 전기공학 학사 학위를, IIM Lucknow에서 경영학 석사 학위를 받았습니다.
브렉시트(Brexit)와 그로 인한 통화 시장의 변동성과 같은 최근의 글로벌 이벤트는 투자자들 사이에서 상당한 우려를 불러일으켰습니다. 시장 참여자들이 거래 활동에 주의를 기울이기 때문에 이러한 이벤트 이후에 위험 회피가 증가하는 것은 자연스러운 일입니다. 그러나 이러한 격동의 시기에도 자동 거래자는 번창하고 있습니다. 언론 보도에 따르면 알고리즘 거래를 채택한 헤지펀드는 특히 스트레스가 많은 시장 상황에서 지속적으로 수동 거래자를 능가하는 것으로 나타났습니다.
유익한 세션 내용:
시즌 최대 거래 이벤트 분석
퀀트/알고 트레이더가 되기 위한 요건
감성분석을 이용한 퀀트 트레이딩 | 라집 란잔 보라
감성분석을 이용한 퀀트 트레이딩 | 라집 란잔 보라
감정 분석. 오피니언 마이닝이라고도 하는 이 프로세스는 특히 특정 주제, 제품 등에 대한 작가의 태도가 긍정적인지, 부정적인지 또는 중립적인지를 결정하기 위해 텍스트 조각에 표현된 의견을 계산적으로 식별하고 분류하는 프로세스입니다.
Nitesh Khandelwal의 알고리즘 거래에 대한 유익한 세션 - 2016년 5월 24일
Nitesh Khandelwal의 알고리즘 거래에 대한 유익한 세션 - 2016년 5월 24일
세션 내용:
인공 지능을 활용하여 알고리즘 거래 전략 구축
인공 지능을 활용하여 알고리즘 거래 전략 구축
트레이딩 전략 개발 회사의 CEO 겸 공동 설립자가 알고 트레이딩에서 AI와 머신 러닝의 흥미로운 잠재력에 대해 설명합니다. 이러한 도구는 대규모 양적 헤지 펀드에 의해 성공적으로 입증되었으며 강력한 수학 또는 컴퓨터 과학 배경이 필요하지 않은 오픈 소스 라이브러리 및 사용자 친화적인 도구 덕분에 접근성이 크게 향상되었습니다. 발표자는 또한 알고리즘 거래의 맥락에서 AI 및 기계 학습과 관련된 주요 용어를 소개합니다. 인공 지능은 환경을 인식하고 성공을 극대화하기 위해 조치를 취하는 지능형 에이전트에 대한 연구로 정의됩니다. AI의 하위 집합인 기계 학습은 명시적인 프로그래밍 없이 학습하고 예측할 수 있는 알고리즘에 중점을 둡니다. 기계 학습의 한 분야인 패턴 인식은 데이터에서 패턴을 발견하는 것과 관련되며, 연관 규칙 학습은 이러한 패턴을 기반으로 if-then 문을 형성하는 것과 관련됩니다. 발표자는 4개의 V(볼륨, 속도, 다양성, 진실성)로 특징지어지는 빅 데이터의 개념에 대해 간략하게 언급합니다.
발표자는 빅데이터, 진실성, 인공지능, 머신러닝, 패턴인식, 데이터 마이닝 등 논의할 용어와 개념을 설명한다. 그런 다음 알고리즘 거래 전략을 구축할 때 모범 사례와 일반적인 함정을 탐구합니다. 여기에는 성공을 위한 가시적 목표 정의, 복잡성보다 단순성을 우선시, 단일 모델에 의존하는 대신 강력한 프로세스 및 워크플로 생성에 집중, 편향된 결과를 피하기 위해 전체 프로세스에서 건전한 회의주의를 유지하는 것이 포함됩니다.
연사는 계속해서 기계 학습이 거래 전략 구축을 위한 지표 및 데이터 세트 선택 문제를 해결할 수 있는 방법에 대해 논의합니다. 최적의 데이터 분할을 검색하여 중요한 지표를 식별하는 기술로 결정 트리 및 랜덤 포레스트를 도입합니다. 랜덤 포레스트는 결정 트리보다 더 복잡하지만 더 견고하고 강력한 것으로 알려져 있습니다. 발표자는 또한 "래퍼"라는 기술을 사용하여 표시기 세트를 결합하여 보다 강력한 조합을 생성할 수 있는 방법을 탐구합니다.
다음으로 발표자는 알고리즘 거래 전략에서 기술 지표의 사용과 기본 패턴 및 추세를 식별하는 이점에 대해 논의합니다. 기계 학습을 기반으로 지표 매개 변수를 최적화하는 문제가 제기되고 여러 분류기를 결합하여 데이터를 분석하고 다양한 패턴과 정보를 발견하는 앙상블 학습 개념이 도입됩니다. 기계 학습에서 특징 선택과 특징 추출 간의 차이점도 언급되며 여러 분류기를 사용할 때 곡선 맞춤을 염두에 두어야 합니다.
발표자는 거래 전략에 대한 해석 가능성을 유지하면서 기계 학습 알고리즘을 활용하는 방법으로 패턴 인식과 연관 규칙 학습의 조합을 시연합니다. 그들은 서포트 벡터 머신을 사용하여 3주기 RSI와 공개 가격과 Aussie USD의 50주기 SMA 사이의 가격 차이 사이의 관계를 분석하는 예를 제공합니다. 명확한 패턴은 거래 규칙으로 변환됩니다. 그러나 그들은 고차원 데이터 분석, 자동화 과제 및 출력 해석과 같은 이 방법의 한계를 인정합니다. 연사는 이러한 문제를 해결하고 트레이더가 원하는 지표로 알고리즘을 활용할 수 있는 가능한 솔루션으로 트레이드를 소개합니다.
발표자는 클라우드 기반 거래 플랫폼을 사용하여 거래 전략을 구축하는 방법을 시연합니다. 그들은 5년간의 데이터를 사용하여 일일 차트에서 Aussie USD를 거래하기 위한 전략을 구축하는 예를 사용합니다. 곡선 맞춤을 피하기 위해 알고리즘은 2015년 1월 1일까지만 훈련되며 테스트를 위해 1년 동안 샘플 외 데이터를 남겨둡니다. 편향된 백테스팅을 피하기 위해 이 샘플 외 데이터를 낭비하지 않는 것의 중요성이 강조됩니다. 지표 분석 및 패턴 식별을 위해 기계 학습 알고리즘을 사용하는 것은 거래 전략을 최적화하기 위한 유연하고 강력한 접근 방식으로 제시됩니다.
발표자는 Trade-Ideas의 플랫폼과 오픈 소스 지표 라이브러리 TA Lib를 사용하여 거래 전략을 구축하는 프로세스를 시연하면서 계속됩니다. 그들은 5년 동안 Aussie USD의 가격 움직임을 분석하고, 강한 신호가 있는 범위를 식별하고, 지표 범위를 선택하고 그 관계를 기록하여 장기 투자 규칙을 구체화합니다. 50주기 SMA에 상대적인 가격 규칙을 추가하여 강력한 신호로 두 개의 서로 다른 범위를 식별합니다. Trade-Ideas를 사용하면 기계 학습 알고리즘 결과를 분석하고 더 명확한 해석을 위해 히스토그램에서 직접 규칙을 구축할 수 있다는 이점이 강조됩니다.
발표자는 올바른 지표 선택 및 강력한 짧은 신호를 찾기 위한 규칙 수정을 포함하여 거래 전략을 위한 짧은 규칙을 구축하는 절차에 대해 논의합니다. 최적의 전략을 찾기 위해 지표로 다양한 패턴을 테스트하고 탐색하는 것이 강조됩니다. 거래 비용을 포함하여 MetaTrader4에서 코드 생성 및 샘플 외 전략 테스트도 시연됩니다. 발표자는 접근 방식이 알고리즘 거래와 관련이 있음을 확인합니다.
발표자는 전략 수립 과정에서 사용되지 않은 가장 최근의 out-of-sample 데이터를 기반으로 구축된 전략을 테스트하는 방법을 설명합니다. 시뮬레이션은 인기 있는 통화 및 주식 거래 플랫폼인 MetaTrader를 사용하여 수행됩니다. 플랫폼의 활성 개발자 커뮤니티는 자동화된 전략, 맞춤형 지표를 생성하고 동일한 데이터를 테스트하고 거래할 수 있는 훌륭한 기회를 제공합니다. 시뮬레이션의 초점은 샘플 외 데이터에 대한 전략의 성능을 평가하는 것입니다. 연사는 이 도구가 중개업체에 직접 화이트 라벨을 지정하여 무료로 사용할 수 있도록 계획하는 스타트업에서 개발했다고 언급합니다.
연사는 백테스팅 후 위험 및 자금 관리 기술을 전략에 통합하는 방법을 설명합니다. 손실을 줄이고 하락 위험으로부터 보호하는 방법으로 간단한 이익 실현 및 손절매 조치가 논의됩니다. 커브 피팅을 방지하기 위해 발표자는 라이브로 전환하기 전에 다양한 빈 선택, 샘플 외 테스트 및 데모 계정의 사용을 강조합니다. 거래 전략에서 블랙박스 신경망보다 단순성과 투명성에 대한 선호도 언급됩니다.
프레젠테이션 중에 발표자는 플랫폼을 Quanto Pian 또는 Quanto Connect와 같은 다른 플랫폼과 비교하는 것과 관련된 질문에 답하며 플랫폼이 기존 전략을 자동화하는 것보다 전략 발견 및 분석에 더 중점을 두고 있음을 강조합니다. 자동화된 전략에서 기술 데이터의 중요성을 인정하는 동시에 해당 플랫폼에는 감정 지표와 같은 다른 데이터 세트가 포함된다는 점에 주목합니다. MetaTrader 4는 유용한 도구로 시연되며 거래에서 위험 및 자금 관리 전략의 중요성에 대해 논의합니다. 연사는 자동 거래 전략의 모범 사례와 일반적인 함정도 다룹니다.
발표자는 거래 전략에서 지표 사용에 대해 논의하고 복잡성과 과대적합 사이의 균형을 강조합니다. 그들은 충분한 정보를 포함하는 것과 과적합을 피하는 것 사이의 균형을 맞추기 위해 전략당 3~5개의 지표를 사용할 것을 권장합니다. 알고리즘에 입력된 데이터 또는 기능의 중요성과 출력이 구현되는 방법이 강조 표시됩니다. 기본 알고리즘은 사용된 지표 및 구현보다 덜 중요한 것으로 간주됩니다. MetaTrader 4의 유전자 최적화 도구 사용에 대한 질문과 지표를 플랫폼과 정렬하는 것의 중요성도 다루어집니다.
연사는 가치 투자에 기계 학습을 적용하는 방법을 탐구합니다. 앞서 알고리즘 거래에 대해 논의한 것과 동일한 프로세스를 가치 투자에 적용할 수 있지만 기술 지표 대신 회사의 고유 가치를 정량화하는 데이터 세트가 사용됩니다. 예를 들어, 시가 총액 또는 주가 수익 비율은 이러한 데이터와 자산의 가격 움직임 사이의 관계를 나타낼 수 있습니다. 거래당 수익을 최적화하고 알고리즘이 시장과 동기화되지 않는 시기를 식별하는 것도 논의됩니다. Python과 R은 코딩 경험과 배경에 따라 적합한 프로그래밍 언어로 권장됩니다.
마지막으로 연사는 금융과 기술을 결합하는 알고리즘 거래에 필요한 필수 기술과 지식을 강조합니다. 시장에 대한 이해, 빅데이터 통계, 전략 자동화 기술이 중요합니다. 양적 교육 프로그램은 성공적인 알고리즘 거래자가 되기 위한 다양한 운영 및 기술에 필요한 교육을 습득하는 수단으로 제안됩니다. Python은 알고리즘 구축을 위한 훌륭한 옵션으로 권장됩니다.